利用侧信息的Knockoff方法

我们考虑在可获得侧信息的情况下，从数据集中评估多个变量或因子重要性的问题。原则上，利用侧信息可以使统计学家关注具有更大潜力的变量，进而可能带来更多发现。我们引入一种自适应knockoff滤波器，它推广了knockoff过程（Barber and Candès, 2015; Candès et al., 2018），因为它同时使用手头数据和侧信息来自适应地对待研究变量排序，并聚焦于最有希望的那些。自适应knockoff控制有限样本错误发现率（FDR），并通过与其他结构化多重检验方法的比较展示了其功效。我们还将我们的方法应用于真实遗传数据，以寻找遗传变异与各种表型（如克罗恩病和脂质水平）之间的关联。在此，自适应knockoff比先前基于相同数据集的研究报告了更多发现。