[论文解读] Robust Bayesian FDR Control with Bayes Factors

Xiaoquan Wen|arXiv (Cornell University)|Nov 15, 2013

Statistical Methods in Clinical Trials被引用 5

一句话总结

本文提出了一种使用贝叶斯因子作为检验统计量的鲁棒贝叶斯错误发现率（FDR）控制程序，即使在参数化备择模型设定错误时也能保持准确的FDR控制。该方法计算效率高，非常适合大规模数据应用，在复杂建模场景下具有强有力的理论保证。

ABSTRACT

This paper proposes a new procedure to perform simultaneous testing of multiple hypotheses using Bayes factors as input test statistics. One of the most significant features of this method is its robustness in controlling the targeted false discovery rate (FDR) even under misspecifications of parametric alternative models. Moreover, the proposed procedure is highly computationally efficient, which is ideal for treating big data. We investigate the theoretical properties of the new procedure and demonstrate its use under various complex scenarios.

研究动机与目标

• 开发一种同时进行多重假设检验的方法，确保在模型设定错误时仍能可靠控制错误发现率（FDR）。
• 利用贝叶斯因子作为检验统计量，以提高多重检验程序的鲁棒性。
• 确保计算效率，以便可扩展地应用于大规模数据。
• 在各种复杂统计场景下建立所提程序的理论性质。

提出的方法

• 该程序使用贝叶斯因子作为多重假设检验的输入检验统计量。
• 基于从贝叶斯因子推导出的后验几率应用决策规则以控制FDR。
• 该方法被设计为即使在假设的参数化备择模型错误时也能维持FDR控制。
• 理论分析建立了该程序在模型设定错误时的鲁棒性。
• 该方法计算效率高，可在高维数据环境中实现实际应用。

实验结果

研究问题

• RQ1 贝叶斯多重检验程序是否能在参数模型设定错误时维持FDR控制？
• RQ2 使用贝叶斯因子作为检验统计量如何影响FDR控制的鲁棒性？
• RQ3 该方法在大规模数据环境下的计算可扩展性如何？
• RQ4 该程序的理论性质在复杂统计模型下表现如何？

主要发现

• 所提方法即使在参数化备择模型设定错误时也能维持准确的错误发现率（FDR）控制。
• 该程序对模型设定错误表现出强鲁棒性，这是相对于传统频率学派方法的关键优势。
• 该方法计算效率高，适用于大规模数据分析。
• 理论分析证实了在各种复杂建模场景下FDR控制的有效性与稳定性。