两组模型中错误发现准则的最优控制

在检验大量统计假设时极具影响力的两组模型假设检验统计量独立抽取自高概率原假设分布与低概率备择假设的混合。已知边际错误发现率（mFDR）的最优控制——即在 mFDR 控制下提供最大功效（期望真发现数）——通过对局部错误发现率（locFDR，即给定统计量集合时该假设为原假设的概率）以固定阈值进行阈值化实现。我们致力于在一般两组模型中最优地控制流行的错误发现率（FDR）或正 FDR（pFDR）而非 mFDR 这一挑战，该模型亦允许检验统计量间存在依赖。这些准则较 mFDR 准则保守性更弱，因此期望上做出更多拒绝。我们推导了其最优多重检验（OMT）策略，结果表明其为以依赖于整个统计量集合的阈值对 locFDR 进行阈值化。我们开发了寻找这些策略的高效算法，并将其用于具有数千个假设的问题。我们在基因表达研究中展示了这些过程。