多层敲除滤波器：多尺度下的受控变量选择
统计方法学
2018-08-13 v2
摘要
我们研究从大量变量中选出对结果“重要”的那些变量的问题。我们考虑变量组本身也具有研究价值的情况。例如，每个变量可能是一个遗传多态性，我们可能想研究性状如何依赖于基因中的变异，基因通常是包含多个此类多态性的 DNA 片段。又如，变量可能量化某公司拥有的各个互联网服务器功能的各个方面，我们可能有兴趣评估每个服务器作为一个整体对公司客户平均下载速度的重要性。在此背景下，发现某变量与结果相关，意味着发现其所代表的更大实体也很重要。为保证结果有意义且可复现，我们建议同时控制个体变量层面和变量组层面发现的错误发现率。基于 Barber 和 Candes (2015) 的敲除构造以及 Barber 和 Ramdas (2016) 的多层检验框架，我们提出了多层敲除滤波器 (MKF)。我们证明了 MKF 能在每个分辨率下同时控制 FDR，并通过模拟显示，与仅为个体变量发现提供保证的方法相比，MKF 几乎不损失统计功效。我们将 MKF 应用于一个遗传数据集的分析，发现它能在不显著降低功效的情况下成功减少错误基因发现的数量。
引用
@article{arxiv.1706.09375,
title = {Multilayer Knockoff Filter: Controlled variable selection at multiple resolutions},
author = {Eugene Katsevich and Chiara Sabatti},
journal= {arXiv preprint arXiv:1706.09375},
year = {2018}
}