Max-Rank：用于保形预测的高效多重检验

多重假设检验（MHT）在科学探究中频繁出现，同时检验多个假设会膨胀 I 类错误（假阳性）的风险，使得 MHT 校正必不可少。本文在保形预测这一用于预测不确定性量化的灵活框架背景下讨论 MHT。某些保形应用会引发同时检验，且检验间通常存在正依赖关系。我们引入 $\texttt{max-rank}$，一种利用这些依赖关系同时高效控制族wise错误率的新型校正方法。受现有基于置换的校正启发，$\texttt{max-rank}$ 利用秩序信息提升性能，并可轻易与任意保形过程结合。我们确立了其相对于常用 Bonferroni 校正的理論与经验优势，以及其与保形预测的兼容性，凸显了增强预测不确定性估计的潜力。