跳转至

Higher criticism for rare and weak non-proportional hazard deviations in survival analysis

作者: A Kipnis, B Galili, Z Yakhini
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://doi.org/10.1093/biomet/asaf075


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是高维/多重检验中的稀有且微弱(rare and weak)信号检测,具体到生存分析领域。它要解决的根本问题是:当两组生存曲线仅在少数未知时间区间内存在差异、且这些差异在单个区间上很微弱时,如何构造一个全局检验,使其检验功效在渐近意义下优于传统的基于平均效应的检验(如 log-rank 检验)。该方向的成熟度较高——从 Donoho & Jin (2004) 提出 higher criticism 以来,理论框架(相变现象、最优检测边界)已相当完备,但将其推广到生存数据这一特定数据结构(含删失、时间相依的风险)仍是较新的尝试。

发展脉络(history)

作者在引言中把已有工作串成了一条清晰的线:

  1. 奠基工作:Higher criticism 的提出与相变理论。Donoho & Jin (2004, 2008, 2009) 在高斯序列模型下证明了 higher criticism 统计量在检测稀疏微弱信号时具有最优性,并刻画了检测功效的相变边界。这是整个领域的理论基石。作者在 1.2 节明确说"higher criticism is reputed to be effective in detecting rare and individually weak effects (Donoho & Jin 2015)",并指出其与 Bonferroni 校正和 FDR 控制的关键区别:HC 在信号极稀疏时仍能保持功效,而后者在稀疏性超过某一阈值时渐近失效。

  2. 主要进展:从高斯到泊松、从独立到相依。Donoho & Kipnis (2022) 将 HC 推广到两样本泊松均值比较,发现了与高斯情形类似的相变结构,但相变边界的形式不同(涉及 (√q − √r)² 型距离而非 (√q − √r) 型)。这一工作为本文提供了直接的理论模板——本文的生存数据模型在离散化后恰好可以转化为泊松或二项计数问题。Kipnis (2025) 进一步建立了"稀有中等偏离"(rare moderate departures, RMD)的统一框架,将高斯、泊松、二项等离散设定纳入同一分析框架,并给出了 HC 类统计量在此框架下的相变刻画。本文的定理 1 和 2 直接引用 Kipnis (2025) 的定理 2 和推论 1 作为黑箱。

  3. 当前 frontier:非比例风险与时间相依结构。在生存分析中,log-rank 检验及其加权版本(Harrington & Fleming 1982, Tarone & Ware 1977, Gehan-Wilcoxon)是标准工具,但作者指出这些方法"typically ineffective when hazard differences between groups are rare (sparse)"——因为加权 log-rank 检验的权重函数需要预先指定,而稀疏非比例风险情形下最优权重未知。Gorfine et al. (2020) 提出的 KONP 检验族试图通过数据自适应选择权重来应对非比例风险,但作者在表 1 中显示 KONP 在稀疏情形下仍不如 HC。本文的位置是:将 HC 从独立同分布的高斯/泊松设定推广到具有时间相依结构的生存数据,并证明其相变边界与已知设定一致。

子线索聚类

这些被引文献大致落在三条子线索上:

  • 线索 A:HC 的理论基础与相变分析(Donoho & Jin 2004, 2008, 2009, 2015; Donoho & Kipnis 2022; Kipnis 2025)。这条线关注的核心问题是:在什么样的稀疏性-强度参数组合下,HC 类检验能达到渐近全功效?相变边界的精确形式是什么?方法上以中等偏差理论(moderate deviations)和尾概率估计为主。

  • 线索 B:生存分析的检验方法(Mantel 1966, Peto & Peto 1972, Harrington & Fleming 1982, Tarone & Ware 1977, Pele & Fleming 1991, Yang & Prentice 2010, Gorfine et al. 2020)。这条线关注的是如何在删失数据下比较两组生存曲线,特别是非比例风险情形。方法上以加权秩检验和计数过程鞅理论为主。

  • 线索 C:高维/多重检验的实用方法(Benjamini & Hochberg 1995 的 FDR 控制、Jin & Ke 2016 的特征选择)。这条线关注的是如何在大量同时进行的检验中控制错误发现率,同时保持对稀疏信号的检测能力。

这个方向在追问的核心问题

  1. 相变边界的精确刻画:在什么条件下(稀疏性参数 β、强度参数 r 的组合),HC 类检验能达到渐近全功效?这个边界是否对数据生成机制(高斯/泊松/二项/生存)敏感?
  2. 离散数据的处理:当检验统计量是离散的(如超几何、二项),HC 的渐近理论如何调整?随机化是否是必要的?
  3. 相依结构的鲁棒性:当检验统计量之间存在时间相依性(如生存数据中的马尔可夫结构),HC 的相变边界是否保持不变?
  4. 与现有生存分析工具的对比:在何种稀疏性-强度参数组合下,HC 严格优于 log-rank 及其加权版本?

已知瓶颈:HC 的渐近理论依赖于检验统计量的尾概率估计,在离散数据下需要精细的 Chernoff 型不等式;生存数据的时间相依性使得标准的中等偏差分析失效,需要新的集中不等式。

⚠️ 作者的 framing(这是作者的说法)

作者把缺口 frame 成:"现有生存分析检验(log-rank 及其变体)在稀疏非比例风险情形下功效不足,而 HC 在独立设定下已被证明最优,因此将其推广到生存数据是显然的下一步。" 具体来说,作者在 1.2 节强调"existing tools are typically ineffective when hazard differences between groups are rare",并在 1.7 节声称其方法在相变边界上优于 log-rank。

被淡化或回避的竞争路线: - 作者没有深入讨论 Gorfine et al. (2020) KONP 检验族在何种条件下可能优于 HC——表 1 只给出了一个模拟场景(4/84 个区间非零),没有系统比较。 - 作者回避了加权 log-rank 检验的最优权重选择问题——如果权重函数可以数据自适应地估计,加权 log-rank 是否能在稀疏情形下达到与 HC 相同的相变边界?这是一个未被回答的问题。 - 作者没有讨论贝叶斯方法或经验贝叶斯收缩在生存数据稀疏信号检测中的表现。

什么明显该被引 / 该存在、却没出现在 intro 里? - Cai, Jeng & Li (2012) 关于高维稀疏生存数据的检验工作未被引用——这是与本文最直接相关的竞争工作。 - Jin (2009) 关于 HC 在相关数据下的行为("OR-transformed" 方法)未被引用——本文处理的时间相依性与此相关。 - Meinshausen & Rice (2006) 关于 HC 对相关性的敏感性分析未被引用。 - 作者引用了 Donoho & Kipnis (2022) 的泊松设定,但没有引用 Arias-Castro & Wang (2015) 关于稀疏泊松均值检验的分布自由方法,尽管后者在引言中被提及。

张力

未见明显对立引用。但有一个值得注意的潜在张力:Donoho & Jin (2004) 的 HC 在独立高斯设定下的最优性依赖于信号方向的已知性(单边 vs 双边检验),而本文的生存数据设定中风险差异的方向(增加或减少)在每个区间上可能不同。作者在 1.5 节提到"one-sided p-values"的使用,但没有讨论当信号方向混合时 HC 是否仍保持最优性——这是一个未被解决的张力。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号(逐个点名):

  • \(T\):时间区间总数(离散化后的区间数),是样本量维度指标。
  • \(t = 1, \ldots, T\):时间区间索引。
  • \(n_x(t), n_y(t)\):在区间 \(t\) 开始时,组 \(x\) 和组 \(y\) 中处于风险状态的个体数(随机变量,依赖于之前的删失和事件)。
  • \(o_x(t), o_y(t)\):在区间 \(t\) 内,组 \(x\) 和组 \(y\) 中发生事件的个体数(随机变量)。
  • \(\bar{\lambda}_t\):基线风险率(组 \(x\) 在区间 \(t\) 的风险率),未知但共同的 nuisance 参数。
  • \(\bar{\lambda}'_t\):组 \(y\) 在区间 \(t\) 的风险率,在备择假设下可能高于 \(\bar{\lambda}_t\)。
  • \(\delta_t\):风险率差异的强度参数,定义为 \(\bar{\lambda}'_t = (\sqrt{\bar{\lambda}_t} + \sqrt{\delta_t})^2\)(平方根参数化,见公式 (12))。
  • \(\epsilon\):非零区间比例(稀疏性参数),即 \(|I|/T \approx \epsilon = T^{-\beta}\)。
  • \(\beta \in (1/2, 1)\):稀疏性指数,控制非零区间的数量。
  • \(r > 0\):强度指数,控制 \(\delta_t\) 的大小,\(\delta_t = r \log(T) / n(t)\)。
  • \(p_t\):区间 \(t\) 的超几何检验 p 值(公式 (3))。
  • \(p_{(i)}\):排序后的 p 值。
  • \(\text{HC}_{T}\):higher criticism 统计量(公式 (4))。
  • \(\text{LR}_T\):log-rank 检验统计量(公式 (21))。
  • \(I\):非零区间集合(潜在/不可观测)。
  • \(\Delta^*\):HC 阈值化后识别出的可疑区间集合(公式 (5))。

模型(数据生成机制):

  • 两组个体(组 \(x\) 和组 \(y\))在 \(T\) 个离散时间区间内经历事件(如死亡、失效)。
  • 在每个区间 \(t\),组 \(x\) 的事件数 \(o_x(t) \sim \text{Binomial}(n_x(t-1), \bar{\lambda}_t)\)(近似泊松),组 \(y\) 的事件数 \(o_y(t) \sim \text{Binomial}(n_y(t-1), \bar{\lambda}'_t)\)。
  • 在零假设 \(H_0\) 下,\(\bar{\lambda}'_t = \bar{\lambda}_t\) 对所有 \(t\) 成立。
  • 在备择假设 \(H_1\) 下,存在一个未知集合 \(I \subset \{1, \ldots, T\}\),使得 \(t \in I\) 时 \(\bar{\lambda}'_t > \bar{\lambda}_t\),且 \(|I| \approx \epsilon T\)。
  • 删失机制:假设非信息性右删失,删失时间与事件时间独立(标准生存分析假设)。

可观测数据:

  • 研究者观测到的是 \(\{n_x(t), n_y(t), o_x(t), o_y(t)\}_{t=1}^T\),即每个区间开始时的风险集大小和区间内的事件数。
  • 不可观测的是:真实的基线风险率 \(\bar{\lambda}_t\)、非零区间集合 \(I\)、以及每个区间上风险差异的方向(增加或减少)。
  • 关键识别假设:在给定风险集大小的条件下,\(o_x(t)\) 和 \(o_y(t)\) 的条件分布是超几何的(在 \(H_0\) 下),这构成了精确检验的基础。

第二步:最小内核

最简特例:假设没有删失,两组初始规模相同 \(n_x(0) = n_y(0) = n\),且基线风险率恒定 \(\bar{\lambda}_t = \lambda\) 对所有 \(t\)。进一步假设每个区间的事件数很少(泊松近似),且 \(T\) 很大。

在这个特例下,支撑整篇论文的最小内核是:

问题:给定 \(T\) 个独立的 p 值 \(p_1, \ldots, p_T\),其中在零假设下 \(p_t \sim \text{Uniform}(0,1)\),在备择假设下,有 \(\epsilon T\) 个 p 值来自"非零"分布(倾向于取小值),其余来自均匀分布。如何构造一个检验统计量,使得在 \(\epsilon\) 很小(稀疏)且单个 p 值的偏离很弱(微弱)时,检验功效仍能趋于 1?

为什么 log-rank 失效:log-rank 统计量本质上是所有区间贡献的加权和,权重与风险集大小成正比。当非零区间数量很少时,这些区间的贡献被大量零区间的噪声淹没,统计量的均值偏移只有 \(O(\sqrt{\epsilon T})\) 量级,而标准差是 \(O(1)\),因此功效趋于 0。

HC 的核心思想:HC 不直接对 p 值求和,而是考察 p 值的经验分布函数与均匀分布的最大偏离。具体地,对排序后的 p 值 \(p_{(1)} \le \ldots \le p_{(T)}\),HC 统计量为

\[\text{HC}_T = \max_{1 \le i \le T} \frac{i/T - p_{(i)}}{\sqrt{p_{(i)}(1-p_{(i)})}}.\]
当存在少量很小的 p 值时,\(p_{(i)}\) 会显著小于 \(i/T\),从而 HC 统计量取大值。这个"最大值"操作使得 HC 对稀疏信号特别敏感——它只需要少数几个 p 值足够小,而不需要大多数 p 值都偏离。

相变现象:在稀疏性参数 \(\beta\) 和强度参数 \(r\) 的平面上,存在一条相变曲线 \(\rho(\beta)\)(公式 (18))。当 \(r > \rho(\beta)\) 时,HC 的功效趋于 1;当 \(r < \rho(\beta)\) 时,任何检验的功效都趋于 0(在 minimax 意义下)。这条曲线的形式是:

\[\rho(\beta) = \begin{cases} 2(\beta - 1/2) & 1/2 < \beta < 3/4, \\ 2(1 - \sqrt{1-\beta}/2)^2 & 3/4 \le \beta < 1. \end{cases}\]

本文的贡献:将上述 HC 框架从"独立 p 值"推广到"生存数据中由超几何检验产生的 p 值序列"。关键的技术难点在于:(1) 超几何 p 值是离散的,需要随机化或精细的尾概率估计;(2) 不同区间的 p 值并非独立(因为风险集大小是随机演化的),但作者证明这种相依性在渐近意义下可以忽略;(3) 需要建立超几何 p 值与泊松/高斯设定之间的"中等偏差等价性",从而直接引用 Kipnis (2025) 的相变结果。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在两组生存数据比较中,当风险差异仅出现在少数未知时间区间且强度微弱时,如何构造一个比 log-rank 检验及其变体功效更高的全局检验。
  2. 核心工具 / 方法:对每个时间区间构造精确超几何检验的 p 值,然后对这些 p 值应用 higher criticism 统计量(HC),并处理非信息性右删失。
  3. 主要结论:在作者提出的"稀有且微弱非比例风险"模型下,HC 统计量(HCHG)的检验功效经历与高斯/泊松设定相同的相变,相变曲线为 \(\rho(\beta)\)(公式 (18));HCHG 在 \(\beta > 1/2\) 的整个稀疏性范围内渐近全功效的区域大于 log-rank 检验。

关键设定与假设

在第二节最小记号的基础上,作者补全了以下设定:

  • 模型 (6)-(12):两组个体在 \(T\) 个离散区间内经历事件,事件数服从泊松分布,风险率在备择假设下以平方根参数化方式偏离(公式 (12))。这个参数化的关键作用是使超几何 p 值的尾概率在中等偏差尺度上与高斯设定匹配。
  • 假设 (13)-(17):
  • (13) 初始组规模 \(x_0, y_0\) 以 \(T\) 的速度增长,且 \(x_0/y_0 \to 1\)。
  • (14) \(x_0 / T^{1+a} \to 0\) 对所有 \(a > 0\),即初始规模的增长慢于 \(T^{1+a}\)。
  • (15) 稀疏性参数 \(\epsilon = T^{-\beta}\),\(\beta \in (1/2, 1)\)。
  • (16) 强度参数 \(\delta_t = r \log(T) / n(t)\),\(r > 0\)。
  • (17) 基线风险率 \(\bar{\lambda}_t\) 满足 \(\min_t \bar{\lambda}_t x_0 / \log(T) \to \infty\) 且 \(\max_t \bar{\lambda}_t T \le M\),即每个区间的事件数足够多(保证正态近似)但总事件数有界。
  • 删失假设:非信息性右删失,删失分布与事件分布独立。作者在 1.4 节指出,删失只影响风险集大小 \(n_x(t), n_y(t)\),而超几何检验的条件分布性质保证了 p 值的有效性。

相比已有文献的放宽/强化: - 相比 Donoho & Kipnis (2022) 的泊松设定,本文的生存数据模型允许风险率随时间变化(\(\bar{\lambda}_t\) 非恒定),且引入了删失机制。 - 相比 Gorfine et al. (2020) 的 KONP 检验族,本文不需要预先指定权重函数,而是通过 HC 的"最大值"操作自动适应未知的差异位置。 - 相比 log-rank 检验,本文不要求比例风险假设,且对稀疏差异更敏感。

主要结果

定理 1(HCHG 的渐近功效):在模型 (6)-(12) 和假设 (13)-(17) 下,若 \(r > \rho(\beta)\)(\(\rho(\beta)\) 由公式 (18) 给出),则存在阈值序列使得基于 HCHG 的检验的 I 型错误和 II 型错误之和趋于 0。

定理 2(HCHG 的渐近无功效):若 \(r < \rho(\beta)\),则任何基于随机化超几何 p 值的检验都是渐近无功效的(即 I 型错误和 II 型错误之和趋于 1)。

定理 3(log-rank 的无功效):在 \(\beta > 1/2\) 的整个范围内,log-rank 检验是渐近无功效的。

证明路线与技术技巧:

整体路线分四步:

  1. 将生存数据转化为 p 值序列:对每个区间 \(t\),在给定 \(n_x(t-1), n_y(t-1), o_x(t)+o_y(t)\) 的条件下,\(o_y(t)\) 服从超几何分布。计算单边 p 值 \(p_t\)(公式 (3))。这一步的关键是证明这些 p 值在零假设下是(渐近)均匀分布的,且在不同区间之间是(渐近)独立的。

  2. 建立超几何 p 值与高斯/泊松中等偏差的等价性:这是最核心的技术步骤。作者证明,在假设 (13)-(17) 下,超几何 p 值的尾概率满足

    \[\lim_{T \to \infty} \max_{t=1,\ldots,T} \left| \frac{-\log \Pr[p_t \le T^{-q} \mid t \in I]}{\log T} - \alpha(q, r/2) \right| = 0,\]
    其中 \(\alpha(q, r/2) = (\sqrt{q} - \sqrt{r/2})^2\)。这个结果(公式 (20))表明,超几何 p 值在中等偏差尺度上与非中心卡方分布(自由度为 1)的尾部行为一致,从而可以直接引用 Kipnis (2025) 的相变结果。

  3. 应用 Kipnis (2025) 的框架:将 p 值序列视为"稀有中等偏离"模型,直接引用 Kipnis (2025) 的定理 2(HCHG 的功效)和推论 1(无功效下界)。这一步的关键是验证超几何 p 值满足 Kipnis (2025) 框架的所有条件,包括独立性、尾概率的均匀性、以及中等偏差的精确性。

  4. log-rank 的无功效分析:对 log-rank 统计量(公式 (21)),作者计算其在一阶矩和二阶矩在 \(H_0\) 和 \(H_1\) 下的差异。利用假设 (13)-(17),证明均值偏移是 \(o(1)\) 量级,而方差趋于 1,因此 log-rank 统计量在 \(H_0\) 和 \(H_1\) 下渐近不可区分。

技术技巧点名:

  • 超几何分布的 Chernoff 型不等式(引理 1):用于证明超几何 p 值的尾概率下界。作者使用了 Serfling (1974) 的集中不等式,这是处理无放回抽样的标准工具。
  • 中等偏差分析(moderate deviations):核心工具是 Cramér 型中等偏差定理,用于刻画 p 值在 \(T^{-q}\) 尺度上的尾概率。作者将超几何分布的中等偏差行为与正态分布进行匹配。
  • 泊松二项逼近:将超几何分布近似为泊松分布,利用泊松分布的中等偏差结果。
  • 鞅方法:在处理风险集大小的随机演化时,作者使用鞅收敛定理来证明 \(n_x(t), n_y(t)\) 的集中性。
  • Kipnis (2025) 的黑箱引用:作者没有重新证明 HC 的相变结果,而是将超几何 p 值纳入 Kipnis (2025) 的框架,这大大简化了证明。

真实例子与应用

模拟实验(3.1 节):作者在 \(T = 1000\) 个区间、初始规模 \(x_0 = y_0 = T \log(T)\) 的设置下,对不同的 \((\beta, r)\) 组合进行 Monte Carlo 模拟。结果显示: - HCHG 的经验相变曲线与理论曲线 \(\rho(\beta)\) 高度吻合(图 3 左)。 - log-rank 的经验功效在 \(\beta > 1/2\) 时始终接近显著性水平 \(\alpha\),验证了定理 3 的结论(图 3 右)。 - 在 \(\beta \in (1/2, 3/4)\) 的范围内,HCHG 的功效显著高于 log-rank,且差距随 \(\beta\) 增大而增大。

真实数据(3.2 节):使用 SCANB 乳腺癌数据集(Saal et al. 2015),包含 3069 名患者的生存数据和 9259 个基因的表达水平。作者将患者按每个基因的表达中位数分为两组,对每个基因检验两组生存差异。在剔除删失分布有显著差异的基因后(共 4028 个基因),HCHG 在 0.05 水平下识别出 163 个显著基因,而 log-rank 识别出的显著基因数量显著更少。表 4 列出了部分 HCHG 识别但 log-rank 未识别的基因,并给出了各自的 p 值。图 7 展示了三个示例基因的 Kaplan-Meier 曲线,灰色条带标出了 HC 阈值化识别出的高风险区间。

这个例子想说明什么:真实数据展示的是 HCHG 的"识别"能力——不仅能判断两组是否有差异,还能定位差异发生的时间区间(通过 \(\Delta^*\) 集合)。这是 log-rank 检验无法提供的额外信息,也是 HCHG 在实际应用中的附加价值。

🔎 结论是否比证明窄

是的,存在几处:

  1. 定理 1 和 2 的证明依赖随机化 p 值:作者在 2.4 节明确说"a statement about the ineffectiveness of HCHG and other test statistics is provided in Theorem 2. This statement focuses on p-values obtained by randomizing the hypergeometric tests"。但实际应用中(算法 1 和 2),作者使用的是非随机化的 p 值。定理 2 的证明只对随机化 p 值成立,而非随机化 p 值的无功效性没有被严格证明——作者只是推测"the same result holds for non-randomized p-values"(2.4 节末尾)。

  2. 定理 3 的 log-rank 无功效结论:证明中假设了 \(\beta > 1/2\),但作者在 2.5 节提到"the log-rank test is asymptotically powerless for any \(\beta > 1/2\)",这个结论在 \(\beta\) 接近 1/2 时是否成立?证明中使用了 \(x_0 / T^{1+a} \to 0\) 的假设(14),当 \(\beta\) 接近 1/2 时,这个假设可能不充分。

  3. 真实数据中的多重检验问题:作者在 3.2 节对 4028 个基因进行了同时检验,但只报告了每个基因的 p 值,没有进行多重检验校正(如 FDR 控制)。虽然 HC 本身是一种全局检验,但将其应用于 4028 个独立的基因检验时,多重比较的问题没有被讨论。

  4. 删失分布的假设:作者在 3.2.2 节用 Kolmogorov-Smirnov 检验筛选删失分布一致的基因,但删失分布的一致性只是检验有效性的充分条件而非必要条件——这个筛选步骤可能引入选择偏差,且其影响没有被分析。


四、开放问题

以下开放问题均扎根于本文的具体语句:

  1. 非随机化 p 值的严格理论(扎根于 2.4 节"we conjecture that the same result holds for non-randomized p-values"):定理 2 只对随机化 p 值证明了无功效性,非随机化 p 值的相变边界是否严格相同?这需要处理离散分布的"原子"问题,可能需要更精细的尾概率估计。

  2. 删失分布不匹配时的行为(扎根于 3.2.2 节的筛选步骤和 4.1 节的讨论):当两组删失分布不同但事件风险率相同(即删失是"信息性"的)时,HCHG 的 I 型错误如何变化?作者在 4.1 节提到"the method may be sensitive to differences in censoring distributions",但没有给出理论分析。

  3. 最优性问题(扎根于 2.4 节"the region of the plane in which our method has asymptotically full power is larger than the corresponding region for the log-rank test"):HCHG 的相变边界 \(\rho(\beta)\) 是否是所有检验的下界?即是否存在比 HC 更好的检验,能在 \(r < \rho(\beta)\) 的区域仍保持功效?在独立高斯设定下,Donoho & Jin (2004) 证明了 HC 的最优性,但本文没有给出类似的最优性证明。

  4. 连续时间推广(扎根于 4.2 节关于区间划分的讨论):本文将时间离散化为 \(T\) 个区间,但区间划分方式(等宽 vs. 等风险集大小)对检验功效的影响没有被分析。当区间宽度趋于 0 时,HCHG 是否收敛到一个连续时间的检验?

  5. 加权 log-rank 的自适应版本(扎根于 1.2 节对加权 log-rank 的讨论):作者指出加权 log-rank 需要预先指定权重,但没有讨论如果权重函数可以数据自适应地估计(如通过核平滑),加权 log-rank 是否能在稀疏情形下达到与 HC 相同的相变边界。这是一个直接的理论竞争问题。

  6. 多重检验校正(扎根于 3.2 节对 4028 个基因的检验):当 HCHG 应用于大规模同时检验时,如何控制全局错误发现率?HC 的"最大值"操作与 Benjamini-Hochberg 程序之间的关系没有被讨论。


顺带提醒:要确认上述某条是否是真 gap,建议去读以下子领域的近期约 5 篇 intro:(i) higher criticism 在相关/相依数据下的行为(如 Hall & Jin 2010, Stoepker et al. 2023);(ii) 生存数据中的高维检验(如 Cai, Jeng & Li 2012);(iii) 非比例风险的适应性检验(如 Yang & Prentice 2010)。如果这些文献的 intro 都指向同一个未解决问题,那就是共识性 gap;如果它们互相打架,那反而是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论