曲、龙;丹·奈特尔顿;杰克·C·M·德克斯。 改进了从大量\（t\）统计中对非中心性参数分布的估计，并应用于微阵列数据分析中的错误发现率估计。 （英语） Zbl 1274.62857号 生物计量学 68，第4期，1178-1187（2012）。 小结：在给定大量t统计量的情况下，我们考虑用连续密度近似非中心参数（NCP）分布的问题。这个问题与大规模假设测试应用中的错误发现率（FDR）控制密切相关，例如微阵列基因表达分析。我们的方法类似于现有方法，但通过D.鲁珀特等【生物统计学63，No.2，483–495（2007；Zbl 1152.62087号)]. 我们提供了NCP分布的参数、非参数和半参数估计，以及FDR和局部FDR的估计。在参数情况下，我们假设NCP遵循一种分布，该分布导致测试统计的分析可用边际分布。在非参数情况下，我们使用基密度函数的凸组合来估计NCP的密度。开发了一个序列二次规划程序来最大化惩罚可能性。采用近似网络信息准则选择平滑参数。还开发了一种半参数估计器，用于组合参数拟合和非参数拟合。仿真表明，在各种情况下，我们的密度估计更接近于潜在的真实值，并且我们的FDR估计比其他方法得到了改进。基于数据的模拟和两个微阵列数据集的分析用于评估现实情况下的性能。 引用于三文件 MSC公司： 62页第10页 统计学在生物学和医学中的应用；元分析 62号03 生存分析和审查数据中的测试 62G07年 密度估算 关键词：密度估计;错误发现率;微阵列;非中心参数 引文：兹比尔1152.62087 软件：暮光;暮光;COBS公司 PDF格式BibTeX公司 XML格式引用 \textit{L.Qu}等人，《生物统计学》68，第4期，1178--1187（2012；Zbl 1274.62857） 全文： 内政部 参考文献： [1] Akaike，第二届信息理论国际研讨会论文集，第267页–（1973） [2] Allison，39页1–（2002） [3] 阿尔梅达，122页，1810–（2008） [4] 贝克，《数字和模拟乳房X射线照相术对比的设计和分析建议》，《美国统计协会杂志》96页421–（2001）·Zbl 1031.62093号 ·doi:10.1198/016214501753168136 [5] 本杰米尼，《控制错误发现率：一种实用而有力的多重测试方法》，《皇家统计学会杂志》。B系列（方法学）57第289页–（1995年）·Zbl 0809.62014号 [6] Benjamini，《利用独立统计数据自适应控制多重测试中的错误发现率》，《教育与行为统计杂志》25页60–（2000）·数字对象标识代码：10.3102/10769986025001060 [7] Broberg，微阵列实验中未改变基因比例的新估计，《基因组生物学》第5页P10–（2004） [8] Broberg，《未改变基因比例和错误发现率估计值的比较审查》，BMC生物信息学6 pp 199–（2005）·doi:10.1186/1471-2105-6-1999 [9] 伯纳姆，《模型选择和多模型推理：实用信息理论方法》（2002年）·Zbl 1005.62007号 [10] Cheng，Optimality:第二届Erich L.Lehmann研讨会，第51页–（2006）·doi:10.1214/0749217060000392 [11] Dalmasso，估计局部错误发现率的约束多项式回归程序，BMC生物信息学8 pp 229–（2007）·doi:10.1186/1471-2105-8-229 [12] Efron，B 2005本地错误发现率 [13] 《基因，错误发现率程序的操作特征和扩展》，英国皇家统计学会杂志。B系列（统计方法）64页，第499页–（2002年）·Zbl 1090.62072号 ·doi:10.1111/1467-9868.00347 [14] He，COBS：通过线性规划进行定性约束平滑，《计算统计学》14，第315页–（1999）·Zbl 0941.62037号 ·doi:10.1007/s001800050019 [15] Jin，在大规模多重比较中估计零效应和非零效应的比例，《美国统计协会杂志》102页495–（2007）·Zbl 1172.62319号 ·doi:10.1198/0162145000000167 [16] 赖，基于矩的真零假设比例估计方法及其在微阵列基因表达数据中的应用，生物统计学8 pp 744–（2007）·兹比尔1267.62105 ·doi:10.1093/biostatistics/kxm002 [17] Langaas，估算真零假设的比例，并应用于DNA微阵列数据，《皇家统计学会杂志：B辑（统计方法）》67，第555页–（2005）·Zbl 1095.62037号 ·数字对象标识代码：10.1111/j.1467-9868.2005.00515.x [18] Markitsis，用于估计非差异表达基因比例的删失β混合模型，生物信息学26 pp 640–（2010）·doi:10.1093/bioinformatics/btq001 [19] McLachlan，多类微阵列中差异基因表达的正常混合方法的简单实现，生物信息学22第1608页–（2006）·doi:10.1093/bioinformatics/btl148 [20] 穆迪，信号处理的神经网络，1991年IEEE研讨会论文集第1页–（1991）·doi:10.1109/NNSP.1991.239541 [21] 穆迪，《神经信息处理系统进展》4，第847页–（1992年） [22] Mosig，《通过女儿设计中的选择性牛奶DNA池，使用调整后的错误发现率标准，对影响伊斯雷利-霍尔斯坦牛乳蛋白百分比的数量性状基因座进行全基因组扫描》，《遗传学》157，第1683页–（2001） [23] Nettleton，《从p值直方图估计真零假设的数量》，《农业、生物和环境统计杂志》11，第337页–（2006）·doi:10.1198/108571106X129135 [24] Olkin，密度估计的半参数方法，《美国统计协会杂志》82页858–（1987）·Zbl 0632.62027号 ·doi:10.1080/01621459.1987.10478509 [25] Pawitan，微阵列研究的错误发现率、灵敏度和样本量，生物信息学21第3017页–（2005a）·doi:10.1093/bioinformatics/bti448 [26] Pawitan，微阵列研究中错误发现率估计的偏差，生物信息学21，第3865页–（2005b）·doi:10.1093/bioinformatics/bti626 [27] Pounds，《改进错误发现率估计》，生物信息学20页1737–（2004）·doi:10.1093/bioinformatics/bth160 [28] Pounds，通过近似和划分p值的经验分布来估计微阵列研究中假阳性和假阴性的发生，生物信息学19，第1236页–（2003）·doi:10.1093/bioinformatics/btg148 [29] 里普利，模式识别和神经网络（1996）·Zbl 0853.62046号 ·doi:10.1017/CBO9780511812651 [30] Ruppert，《探索p值信息以分析和规划多重测试实验》，《生物统计学》第63页，第483页–（2007年）·Zbl 1152.62087号 ·doi:10.1111/j.1541-0420.2006.00704.x [31] Scheid，用于估计局部错误发现率的随机下坡搜索算法，IEEE/ACM计算生物学和生物信息学汇刊，第1页，98–（2004）·doi:10.1109/TCBB.2004.24 [32] Schwarz，估算模型的维度，《统计年鉴》第6卷第461页–（1978年）·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136 [33] Schweder，同时评估多项测试的p值图，Biometrika 69 pp 493–（1982）·doi:10.1093/biomet/69.3.493 [34] Smyth，用于评估微阵列实验中差异表达的线性模型和经验贝叶斯方法，遗传学和分子生物学中的统计应用3（2004）·兹比尔1038.62110 ·数字对象标识代码：10.2202/1544-6115.1027 [35] Storey，《全基因组研究的统计意义》，《美国国家科学院院刊》100页9440–（2003）·Zbl 1130.62385号 ·doi:10.1073/pnas.1530509100 [36] Sun、Oracle和用于错误发现率控制的自适应复合决策规则，《美国统计协会杂志》102 pp 901–（2007）·Zbl 1469.62318号 ·doi:10.19198/0162114507000000545 [37] Takeuchi，信息统计分布和模型拟合准则，Suri-Kagaku（数学科学）153 pp 12–（1976） [38] 基因本体联盟，《基因本体：生物学统一工具》，《自然遗传学》25页25–（2000）·doi:10.1038/75556 [39] 田，Wnt-signaling拮抗剂DKK1在多发性骨髓瘤溶骨性病变发展中的作用，《新英格兰医学杂志》349页2483–（2003）·doi:10.1056/NEJMoa030847 [40] Tsai，《多重测试中错误发现率的估计：基因微阵列数据的应用》，《生物统计学》第59卷第1071页–（2003年）·Zbl 1190.62133号 ·doi:10.1111/j.0006-341X.2003.00123.x [41] Turkheimer，神经影像数据多元分析中“真”零假设数量的估计，NeuroImage 13 pp 920–（2001）·doi:10.1006/nimg.2001.0764 [42] Wahba，观测数据的样条模型。CBMS-NSF应用数学区域会议系列59（1990）·Zbl 0813.62001号 ·doi:10.1137/1.9781611970128 [43] Wu，重新评估参数和非参数FDR估计，生物统计学62 pp 735–（2006）·Zbl 1111.62113号 ·doi:10.1111/j.1541-0420.2006.00531.x 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。