論文の概要: A powerful rank-based correction to multiple testing under positive
dependency
- arxiv url: http://arxiv.org/abs/2311.10900v2
- Date: Thu, 25 Jan 2024 15:43:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 17:37:57.248517
- Title: A powerful rank-based correction to multiple testing under positive
dependency
- Title(参考訳): 正の依存下での複数検定に対する強力なランクベース補正
- Authors: Alexander Timans, Christoph-Nikolas Straehle, Kaspar Sakmann, Eric
Nalisnick
- Abstract要約: ファミリーワイドエラー率(FWER)を制御した新しい多重仮説検定補正法を開発した。
提案アルゴリズムである$textttmax-rank$は、計算されたテスト統計のランク領域における$max$-operatorの使用に依存して、概念的に直進的である。
- 参考スコア(独自算出の注目度): 48.098218835606055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a novel multiple hypothesis testing correction with family-wise
error rate (FWER) control that efficiently exploits positive dependencies
between potentially correlated statistical hypothesis tests. Our proposed
algorithm $\texttt{max-rank}$ is conceptually straight-forward, relying on the
use of a $\max$-operator in the rank domain of computed test statistics. We
compare our approach to the frequently employed Bonferroni correction,
theoretically and empirically demonstrating its superiority over Bonferroni in
the case of existing positive dependency, and its equivalence otherwise. Our
advantage over Bonferroni increases as the number of tests rises, and we
maintain high statistical power whilst ensuring FWER control. We specifically
frame our algorithm in the context of parallel permutation testing, a scenario
that arises in our primary application of conformal prediction, a recently
popularized approach for quantifying uncertainty in complex predictive
settings.
- Abstract(参考訳): 本研究では, 統計的に相関する確率的仮説テスト間の正の依存関係を効率的に活用するFWER制御を用いた新しい多重仮説検定法を開発した。
提案アルゴリズムである$\texttt{max-rank}$ は,計算されたテスト統計のランク領域における$\max$-operator の使用に依拠して,概念上はストレートフォワードである。
ボニフェロニ補正に対する我々のアプローチと比較し、既存の正の依存の場合のボニフェロニの優位性とその同値性について理論的および実証的に証明する。
ボンフェロニに対する我々の優位性は、テストの数が増えるにつれて増大し、FWER制御を確保しながら高い統計力を維持する。
複雑な予測環境における不確かさを定量化する手法として,共形予測を主応用するシナリオとして,並列置換テストの文脈でアルゴリズムを具体的に構成する。
関連論文リスト
- Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests
for Means of Multiple Data Streams [42.763520671703326]
本稿では,複数データストリームを用いた合成仮説のための新しい非パラメトリックシーケンシャルテストを提案する。
提案手法は,テスト・アズ・ベッティング・フレームワーク上に構築され,停止時間にまたがる非漸近的な$alpha$レベルのテストを提供する。
論文 参考訳(メタデータ) (2024-02-09T01:11:34Z) - Precise Error Rates for Computationally Efficient Testing [75.63895690909241]
本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。
線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
論文 参考訳(メタデータ) (2023-11-01T04:41:16Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。
私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
論文 参考訳(メタデータ) (2023-04-29T01:30:33Z) - A Semi-Bayesian Nonparametric Estimator of the Maximum Mean Discrepancy
Measure: Applications in Goodness-of-Fit Testing and Generative Adversarial
Networks [3.623570119514559]
そこで我々は,GoF(Goness-of-fit)テストのための半ベイズ非パラメトリック(セミBNP)手順を提案する。
提案手法は,最大平均誤差(MMD)測定のための新しいベイズ推定器を提案する。
提案手法は, 誤り仮説の誤認率と受理率を低くすることで, 頻繁なMDD法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-05T10:36:21Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - Doubly Robust Kernel Statistics for Testing Distributional Treatment
Effects [18.791409397894835]
我々は、再生産ケルネルヒルベルト空間(RKHS)内の因果分布を表すために、以前に導入されたフレームワークである対実平均埋め込みを構築した。
これらの改良された推定器は、カーネル空間内の同様の形式を用いて、因果平均の二重に頑健な推定器に着想を得ている。
これにより, 分布因果効果に対する新しい変分に基づく検定が実現し, 提案する推定器を検定統計として利用した。
論文 参考訳(メタデータ) (2022-12-09T15:32:19Z) - Sequential Permutation Testing of Random Forest Variable Importance
Measures [68.8204255655161]
そこで本研究では、逐次置換テストと逐次p値推定を用いて、従来の置換テストに関連する高い計算コストを削減することを提案する。
シミュレーション研究の結果、シーケンシャルテストの理論的性質が当てはまることを確認した。
本手法の数値安定性を2つの応用研究で検討した。
論文 参考訳(メタデータ) (2022-06-02T20:16:50Z) - Addressing Maximization Bias in Reinforcement Learning with Two-Sample
Testing [0.0]
過大評価バイアスは、価値に基づく強化学習アルゴリズムに対する既知の脅威である。
そこで本研究では,基礎となる仮説テストの重要度を調整することにより,過大評価と過小評価を柔軟に補間する推定器を提案する。
K$-Estimator (KE) と呼ばれる一般化は、ほぼ任意のカーネル関数に依存しながら、TEと同じバイアスと分散境界に従う。
論文 参考訳(メタデータ) (2022-01-20T09:22:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。