摘要
双样本多重测试有着广泛的应用。传统做法首先将原始观测值减少为p值向量，然后选择截止值以调整多重性。然而，这一数据简化步骤可能会导致信息严重丢失，从而导致测试程序不太理想。我们引入了一种新的双样本多重测试框架，通过在推断中加入一个精心构造的辅助变量来提高功率。通过采用协变量辅助排序和筛选（CARS）方法，开发了一种数据驱动的多重测试程序，该方法将主要变量和辅助变量的信息进行了最佳组合。所提出的CARS过程被证明是渐近有效的，并且对于错误发现率控制是最优的。该过程在R包CARS中实现。数值结果证实了CARSn错误发现率控制的有效性，并表明与现有方法相比，它获得了可观的功率增益。CARS还通过应用于超新星探测卫星成像数据集的分析进行了说明。
由于加州大学开放访问策略.让我们知道这种访问对您的重要性。
主要内容
为了提高PDF内容的可访问性，下载文件到您的设备。 
