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。


参考文献中的数学33条,2标准条款)

显示第1到第20个结果,共33个。
按年份排序(引用)
  1. 罗奎因,艾蒂安;Verzelen,Nicolas:具有未知空分布的错误发现率控制:有可能模仿甲骨文吗?(2022年)
  2. 卡彭蒂埃,亚历山德拉;德尔瓦恩,西拉特;罗奎因,艾蒂安;Verzelen,Nicolas:用离群值选择估计最小效应(2021)
  3. 范建清;王开正;钟一巧;朱自伟:稳健高维因子模型及其在统计机器学习中的应用(2021)
  4. 杰拉德,大卫;Stephens,Matthew:基于阴性对照消除不必要变化的统一和通用方法(2021)
  5. 陈曦;周文新:基于乘法器引导的鲁棒推理(2020)
  6. 德维杰,埃米莉;Perthame,Emeline:通过逆回归预测区域(2020年)
  7. 余、张;丹尼尔,泽特曼:与同时多重假设检验相关的分布(2020)
  8. 于伟昌;奥莫罗德,约翰T。;Stewart,Michael:变量选择的变分判别分析(2020)
  9. 范建清;可,元;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)
  10. 詹,X。杰西;陈雄志:高维回归中的预测因子排序和错误发现比例控制(2019)
  11. 博德温,凯利;张凯;Nobel,Andrew:基于测试的发现差异相关变量集的方法(2018)
  12. 邓、鲁;子,薛敏;李中华:一定相关性下大规模模型检验的错误发现率(2018)
  13. 周文新;百色、口石;范建清;刘汉:稳健(M)估计的新视角:有限样本理论及其在相依调整多重检验中的应用(2018)
  14. 赵海兵:依赖下多重比较中错误发现比例的估计(2017)
  15. 布鲁姆,尤娜;后脑-偏执狂,马加里;Causeur,David:基于先验生物学知识的共表达网络稀疏因子模型(2016)
  16. 博德纳尔,塔拉斯;Reiß,Markus:低维和大维因子模型的精确和渐近检验及其应用(2016)
  17. 德拉特,西尔文;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)
  18. 范建清;廖元元;王伟臣:因子模型中的预测主成分分析(2016)
  19. Jessie Jeng,X.:检测高维弱信号(2016)
  20. 佩瑟姆,爱梅林;冷冰冰,克洛埃;Causeur,David:高维相关数据分类问题中特征选择的稳定性(2016)