MARC

 008250123s2024        us                              c    eng  d
■001000017160442
■00520250211151020
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383565728
■035    ▼a(MiAaPQ)AAI30996426
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aNie,  Yutong.
■24510▼aFundamental  Limits  in  Large-Scale  Multiple  Testing  and  Its  Application
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a114  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Wu,  Yihong;Guan,  Leying.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aThe  false  discovery  rate  (FDR)  and  the  false  non-discovery  rate  (FNR),  defined  as  the  expected  false  discovery  proportion  (FDP)  and  the  false  non-discovery  proportion  (FNP),  are  the  most  popular  benchmarks  for  multiple  testing.  Despite  the  theoretical  and  algorithmic  advances  in  recent  years,  the  optimal  tradeoff  between  the  FDR  and  the  FNR  has  been  largely  unknown  except  for  certain  restricted  classes  of  decision  rules,  e.g.,  separable  rules,  or  for  other  performance  metrics,  e.g.,  the  marginal  FDR  and  the  marginal  FNR  (mFDR  and  mFNR).  In  this  dissertation,  we  determine  the  asymptotically  optimal  FDR-FNR  tradeoff  under  the  two-group  random  mixture  model  when  the  number  of  hypotheses  tends  to  infinity.  Distinct  from  the  optimal  mFDR-mFNR  tradeoff,  which  is  achieved  by  separable  decision  rules,  the  optimal  FDR-FNR  tradeoff  requires  compound  rules  and  randomization  even  in  the  large-sample  limit.  This  suboptimality  of  separable  rules  holds  for  other  objectives  as  well,  such  as  maximizing  the  expected  number  of  true  discoveries.  To  address  the  limitation  of  the  FDR  which  only  controls  the  expectations  but  not  the  fluctuations  of  the  FDP,  we  also  determine  the  optimal  tradeoff  when  the  FDP  is  controlled  with  high  probability  and  show  it  coincides  with  that  of  the  mFDR  and  the  mFNR.  Extensions  to  models  with  a  fixed  number  of  non-nulls  are  also  obtained.  Finally,  a  data-driven  version  of  the  oracle  rule  is  proposed  and  applied  in  an  analysis  of  the  multi-omics  data  for  long  COVID  study  that  involves  large-scale  multiple  testing.
■590    ▼aSchool  code:  0265.
■650  4▼aStatistics
■653    ▼aCompound  decision  rule
■653    ▼aFalse  discovery  rate
■653    ▼aMultiple  testing
■653    ▼aLong  COVID
■690    ▼a0463
■71020▼aYale  University▼bStatistics  and  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160442▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books