法姆特

包FAMT:多重测试的因子分析(FAMT):高维数据依赖下的同步测试。本软件包中提出的方法考虑了Friguet等人(2009)提出的对高通量数据的多个测试程序的依赖性的影响。所有变量共享的公共信息采用因子分析结构建模。模型中所考虑的因素数目是为了减少多重测试中错误发现的方差。利用EM算法估计模型参数。导出调整后的测试统计数据,以及相关的p值。FAMT模型还估计了真零假设(控制错误发现率的一个重要参数)的比例。提出用图形来解释和描述这些因素。


zbMATH中的参考文献(引用于 28篇文章,2标准条款)

显示第1到第20个结果,共28个。
按年份排序(引用)
  1. 陈曦;周文新:基于乘子引导的鲁棒推理(2020)
  2. Devijver,Emilie;Perthame,Emeline:通过逆回归预测区域(2020)
  3. 于伟昌;奥莫罗德,约翰T.;斯图尔特,迈克尔:变量选择的变分判别分析(2020)
  4. 范建青;柯、袁;孙强;周文新:Farmtest:具有近似错误发现控制的因子调整稳健多重检验(2019)
  5. Jeng,X.Jessie;Chen,Xiongzhi:高维回归中的预测值排序和错误发现比例控制(2019)
  6. Bodwin,Kelly;Zhang,Kai;Nobel,Andrew:基于测试的方法发现差异相关变量集(2018)
  7. 邓璐子学敏李中华:一定相关性下大规模模型检验的错误发现率(2018)
  8. 周文新;Bose,Koushiki;Fan,Jianqing;Liu,Han:稳健(M)估计的新视角:有限样本理论及其在相关调整多重检验中的应用(2018)
  9. 赵海兵:依赖下多重比较中错误发现比例的估计(2017)
  10. Blum,Yuna;Houée-Bigot,Magalie;Causeur,David:使用先验生物学知识应用于共表达网络的稀疏因子模型(2016)
  11. Bodnar,Taras;Reiß,Markus:低维和大维因子模型的精确和渐近检验及其应用(2016)
  12. Delattre,Sylvain;Roquain,Etienne:高维高斯向量分量的经验分布函数及其在多重测试中的应用(2016)
  13. 范建青;廖元元;王伟臣:因子模型中的预测主成分分析(2016)
  14. Jessie Jeng,X.:检测高维弱信号(2016)
  15. Perthame,Émeline;Friguet,Chloé;Causeur,David:高维相关数据分类问题中特征选择的稳定性(2016)
  16. Sheu,Ching Fan;Perthame,Émeline;Lee,Yuh Shiow;Causeur,David:在事件相关电位数据的大规模多重测试中解释时间依赖性(2016)
  17. Delattre,Sylvain;Roquain,Etienne:通过Romano-Wolf的启发式方法控制错误发现比例的新程序(2015)
  18. Zhao,Haibing;Peddada,Shyamal D.;Cui,Xinping:使用加权(p)-值的多对比较中的混合定向错误发现率控制(2015)
  19. Desai,Keyur H.;Storey,John D.:相关高维数据的跨维推断(2012)
  20. 范建青;韩晓旭;顾伟杰:任意协方差依赖下的错误发现率估计(2012)