×
雷·白;马来语Ghosh

正态beta素数先验的大尺度多重假设检验。 （英语） Zbl 1435.62267号

统计 53，第6期，1210-1233（2019）.
以贝塔素数先验作为稀疏性下多重检验的尺度参数，研究了尺度混合收缩先验。结果表明，通过估计正态贝塔素数（NBP）先验中的稀疏参数和阈值化后验收缩权，可以识别稀疏正态均值向量中的信号。已确定NBP先验具有贝叶斯Oracle属性。结果表明，最一般形式的尺度-混合收缩先验可以渐近地获得多重测试的精确Bayes风险。此外，还考虑了估计NBP先验中关键超参数的限制边际最大似然和分层Bayes方法。仿真结果验证了理论结果。NBP优先级用于分析前列腺癌数据集。
审核人：奥列克桑德·库库什（基辅）

引用于三文件

MSC公司：

62J07型 岭回归；收缩估计器（拉索）
62J15型 成对和多次比较；多次测试

关键词：

贝叶斯预言机;经验贝叶斯;多次测试;先收缩;稀疏

软件：

EBayesThresh公司
PDF格式BibTeX公司 XML格式引用
\textit{R.Bai}和\textit{M.Ghosh}，《统计学》53，第6期，1210--1233（2019年；Zbl 1435.62267）
全文： 内政部 arXiv公司

参考文献：

[1] 约翰斯通，我；Silverman，Bw.，《干草堆中的针和稻草：可能稀疏序列的经验贝叶斯估计》，Ann Statist，321594-1649（2004）·Zbl 1047.62008年 ·数字对象标识代码：10.1214/00905360400000030
[2] 《自然》，447661-678（2007），对14000例七种常见疾病和3000个共享对照的全基因组关联研究·doi:10.1038/nature05911
[3] 卡瓦略，Cm；Polson，Ng；Jg.斯科特。，稀疏信号的马蹄形估计器，Biometrika，97465-480（2010）·Zbl 1406.62021号 ·doi:10.1093/biomet/asq017
[4] 帕克，T。；Casella，G.，《贝叶斯拉索》，J Amer Statist Assoc，103，681-686（2008）·Zbl 1330.62292号 ·doi:10.19198/0162114508000000337
[5] 阿玛根。；邓森博士；Lee，J.，广义双帕累托收缩，中央统计局，23119-143（2013）·Zbl 1259.62061号
[6] Berger，J.，多元正态均值的稳健广义贝叶斯估计和置信区间，Ann Statist，8716-761（1980）·Zbl 0464.62026号 ·doi:10.1214/aos/1176345068
[7] Bhadra，A。；达塔，J。；Polson，Ng，超稀疏信号的马蹄形+估计器，贝叶斯分析，121105-1131（2017）·Zbl 1384.62079号 ·doi:10.1214/16-BA1028
[8] Bhattacharya，A。；帕蒂，D。；Pillai，Ns，Dirichlet-laplace最优收缩先验，J Amer Statist Assoc，110，1479-1490（2015）·Zbl 1373.62368号 ·doi:10.1080/01621459.2014.960967
[9] 杰·格里芬；Pj.Brown。，稀疏回归建模的一些先验知识，贝叶斯分析，8691-702（2013）·Zbl 1329.62132号 ·doi:10.1214/13-BA827
[10] 斯特劳德曼，我们。，多元正态均值的恰当贝叶斯极小极大估计，Ann Math Statist，42385-388（1971）·Zbl 0222.62006号 ·doi:10.1214/网址：1177693528
[11] 博格丹，M。；查克拉巴蒂，A。；Frommlet，F.，一些多重测试程序稀疏性下的渐近贝叶斯优化，Ann Statist，391551-1579（2011）·Zbl 1221.62012年 ·doi:10.1214/10-AOS869
[12] Y.本杰米尼。；Hochberg，Y.，《控制错误发现率：一种实用且强大的多重测试方法》，J R Stat Soc Ser B Stat Methodol，57，289-300（1995）·Zbl 0809.62014号
[13] 达塔，J。；Jk.Ghosh。，马蹄形先验贝叶斯风险的渐近性质，贝叶斯分析，8111-132（2013）·Zbl 1329.62122号 ·doi:10.1214/13-BA805
[14] Ghosh，P。；唐，X。；Ghosh，M.，稀疏性下多重假设检验中一般类收缩先验的贝叶斯风险的渐近性质，贝叶斯分析，11753-796（2016）·Zbl 1359.62309号 ·doi:10.1214/15-BA973
[15] Ghosh，P。；Chakrabarti，A.，稀疏高维问题中单组收缩先验的渐近最优性，贝叶斯分析，121133-1161（2017）·兹比尔1384.62087 ·doi:10.1214/16-BA1029
[16] 所罗门，Jb。使用高斯尺度混合的多重测试阈值规则的风险量化。arXiv预打印arXiv:1711.08705。2017
[17] 范德帕斯，S。；所罗门，Jb；Schmidt-Hieber，J.，稀疏正态均值问题中的后收缩条件，Eletron J Statist，10976-1000（2016）·Zbl 1343.62012年 ·doi:10.1214/16-EJS1130
[18] 范德帕斯，S。；Szabó，B。；Van Der Vaart，A.，马蹄铁的自适应后收缩率，Electron J Statist，113196-3225（2017）·Zbl 1373.62140号 ·doi:10.1214/17-EJS1316
[19] 阿玛根。；克莱德，M。；邓森博士。，高斯广义β混合物，NeurIPS，24523-531（2011）
[20] Polson，Ng；Jg.斯科特。，关于全球尺度参数的半柯西先验，贝叶斯分析，7887-902（2012）·兹比尔1330.62148 ·doi:10.1214/12-BA730
[21] Carvalho，Cm，Polson，Ng，Scott，Jg.2009。通过马蹄铁处理稀疏。第十二届国际人工智能与统计会议记录，AISTATS 2009；4月16-18日，美国佛罗里达州克利尔沃特海滩。
[22] 范德帕斯，Sl；Kleijn，Bjk；Van Der Vaart，Aw.，《马蹄形估计器：近黑色向量周围的后验浓度》，Electron J Statist，82585-2618（2014）·Zbl 1309.62060号 ·doi:10.1214/14-EJS962
[23] Song，Q，Cheng，G.极小极大估计的最优错误发现控制。arXiv预打印arXiv:1812.10013。2018
[24] 辛格，D。；2月，第页；Ross，K.，基因表达与前列腺癌临床行为的相关性，《癌细胞》，2203-209（2002）·doi:10.1016/S1535-6108（02）00030-2
[25] Efron，B.，《间接证据的未来》，《统计科学》，第25期，第145-157页（2010年）·Zbl 1328.62043号 ·doi:10.1214/09-STS308
[26] Castillo，I，Roquain，E，《尖峰和平板经验贝叶斯多重检验》。arXiv预打印arXiv:1808.09748。2018年·Zbl 1455.62035号
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。