Further Results on Controlling the False Discovery Rate in Two-Sided Gaussian Mean Testing¶

作者: Deepra Ghosh, Sanat K. Sarkar
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2608.21267

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多重假设检验中的错误发现率（FDR）控制，具体聚焦于双侧高斯均值检验在相关结构下的有限样本 FDR 控制。其根本的统计问题是：当检验统计量之间存在相关性（而非经典的独立性假设）时，Benjamini-Hochberg (BH) 过程是否仍然能控制 FDR？如果不能，如何修正？这个问题的核心困难在于，FDR 的有限样本性质对统计量之间的依赖结构极其敏感，而现实应用（如基因组学、神经影像）中的检验统计量几乎总是相关的。该子方向的成熟度处于"经典结果已稳固、但相关结构下的精细刻画仍在发展中"的阶段——经典的 BH 过程（Benjamini & Hochberg, 1995）在独立性下给出精确的 FDR 控制，在正回归依赖（PRDS）下给出保守控制（Benjamini & Yekutieli, 2001），但双侧检验与任意相关结构下的有限样本行为直到最近才被系统研究。

发展脉络¶

奠基工作：Benjamini & Hochberg (1995) 提出 BH 过程，在独立性下证明 FDR ≤ (m₀/m)α。这是整个领域的起点。随后 Benjamini & Yekutieli (2001) 引入 PRDS 条件，证明在该条件下 BH 仍保守控制 FDR，并给出任意依赖下有效的 BY 修正（乘以调和级数因子）。Sarkar (2002, 2008) 通过 leave-one-out 表示（即本文公式 (1) 的源头）为 FDR 的有限样本分析提供了关键的技术工具。

主要进展：Su (2018) 的 FDR-Linking Theorem 提供了一个通用框架，将 BH 的 FDR 与零假设 p 值的联合分布联系起来，在 PRDS 类条件下给出非渐近界。Jin & Cai (2007) 和 Liang & Nettleton (2012) 从自适应估计的角度改进 BH；Genovese et al. (2006) 和 Ignatiadis et al. (2016) 引入加权机制提升功效。这些工作共同构成了"在依赖下理解并改进 BH"的谱系。

当前 frontier 与转折点：Dobriban (2026) 和 Lei (2026) 给出了否定性结果——在任意高斯相关结构下，BH 既没有普遍的有限样本 FDR 控制，也没有普遍的乘法 FDR 界。这意味着"通用修正"的路线走到了尽头，必须转向利用具体协方差结构的精细分析。Ghosh & Sarkar (2025) 正是在这个转折点上引入了 PTDN（Positive Tail Dependence Under the Null）概念，建立了广义移位 BH (GSBH) 框架，在已知协方差的双侧高斯 z- 和 t- 检验中实现了有限样本 FDR 控制。

本文的位置：本文是 Ghosh & Sarkar (2025) 的直接续作，在 PTDN 框架内做三件事：①推导原始 BH 过程 FDR 的依赖自适应上下界（定理 3.1）；②将移位 BH 推广到协方差未知但有独立 Wishart 估计量的情形（CBSBH，定理 4.2）；③给出移位 BH 相对 BH 有功效优势的充分条件（定理 2.10）。它填补的是"已知协方差"到"估计协方差"的 gap，以及"FDR 控制"到"FDR 定量刻画"的 gap。

子线索聚类¶

这些被引文献大致落在三条子线索上：

依赖结构下的 FDR 控制理论：Benjamini & Yekutieli (2001)、Sarkar (2002, 2008)、Su (2018)、Dobriban (2026)、Lei (2026)。这条线追问"什么依赖条件下 BH 仍有效"，从 PRDS 到 PTDN，从充分条件到不可能性结果。
BH 的改进与增强：Genovese et al. (2006)、Ignatiadis et al. (2016)、Jin & Cai (2007)、Liang & Nettleton (2012)。这条线通过加权、自适应、多阶段等机制提升功效，但大多不处理任意相关结构。
移位 p 值方法：Sarkar & Zhang (2025)、Ghosh & Sarkar (2025) 以及本文。这条线通过条件方差参数 τᵢ = 1 − Rᵢ² 对 p 值做坐标特定的变换，将相关结构信息编码进检验统计量。

这个方向在追问的核心问题¶

BH 在相关双侧检验下的 FDR 到底是多少？ 本文的定理 3.1 给出上下界，但精确值仍是开放的。
如何在不损失太多功效的前提下实现有限样本 FDR 控制？ 移位 BH 的答案是"利用协方差结构"，但代价是引入了对协方差估计的依赖。
协方差未知时，有限样本保证还能维持吗？ 本文的 CBSBH 用置信下界回答"能"，但代价是功效损失（β 的分配）。
PTDN 的适用范围有多广？ 目前只对高斯 z- 和 t- 检验建立，能否推广到广义线性模型、秩检验或其他分布族？

⚠️ 作者的 framing（这是作者的说法）¶

作者把缺口 frame 成："PTDN 框架已经解决了已知协方差下的 FDR 控制问题，但原始 BH 的 FDR 行为尚未被定量刻画，且协方差未知的实际场景缺乏有限样本保证。"因此本文是"显然的下一步"。被淡化的竞争路线包括：数据分裂（data fission）或外部随机化方法（仅在讨论部分一句带过）、正则化协方差估计（未讨论高维情形）、以及渐近方法（本文坚持有限样本，但未与高维渐近结果对比）。明显该被引却没出现在 intro 里的：Storey 等的 q-value 方法（仅提及 Storey et al. 2004 的渐近结果）、Barber & Candès 的 knockoff 框架（同样处理相关检验但思路完全不同）、以及 Efron 的经验贝叶斯方法——这些是处理相关多重检验的其他主要路线，作者完全回避了。

张力¶

未见明显对立引用。但存在一个微妙的张力：Dobriban (2026) 和 Lei (2026) 的否定性结果说明"任意相关下无普遍保证"，而 Ghosh & Sarkar (2025) 和本文则说"特定相关结构（PTDN）下有有限样本保证"。这不是逻辑矛盾，而是量化界 vs. 存在性的互补——前者说"不能对所有 Σ 统一处理"，后者说"对每个具体 Σ 可以精细处理"。真正的张力在于：PTDN 到底覆盖了多少实际相关的协方差结构？ 作者没有给出 PTDN 的可检验刻画，这是读者需要自己判断的。

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¶

设定：观测数据为 X ~ N_d(μ, Σ)，其中 Σ 为已知相关矩阵（本文第三节）或未知但有独立估计（第四节）。检验问题为 Hᵢ : μᵢ = 0 vs Kᵢ : μᵢ ≠ 0，i = 1, …, d。

核心记号： - Xᵢ：第 i 个检验统计量（高斯随机变量），是可观测的。 - μᵢ：第 i 个均值参数，是待检验的未知量（estimand）。 - Σ：协方差矩阵（相关矩阵），第三节中已知，第四节中未知但有估计。 - Pᵢ = Ψ̄₁(Xᵢ²)：第 i 个双侧 z-检验的原始 p 值，其中 Ψ̄₁ 是 χ²₁ 分布的生存函数。这是可观测的。 - τᵢ = 1/((Σ⁻¹)ᵢᵢ) = 1 − Rᵢ²：条件方差参数，其中 Rᵢ² 是 Xᵢ 与其余坐标 X₋ᵢ 的平方多重相关系数。这是由协方差结构决定的参数，第三节中已知，第四节中需估计。 - G_τ(u) = Ψ̄₁{τΨ̄₁⁻¹(u)}：移位变换函数，将原始 p 值映射到移位 p 值。 - P̃ᵢ,τ = G_τ⁻¹(Pᵢ)：移位 p 值，是可观测的（由 Pᵢ 和 τ 计算）。 - I₀：真零假设的指标集合，不可观测。 - FDR：E[V/R ∨ 1]，其中 V 为错误拒绝数，R 为总拒绝数。

模型：数据生成机制为 X ~ N_d(μ, Σ)。关键的结构假设是 PTDN（定义 2.1）：对每个零假设 i，条件概率 P(Pᵢ ≤ u | g(P₋ᵢ) ≤ t)/u 在 u ∈ (0, c) 上递减。这个假设的作用是保证移位 p 值在 leave-one-out 表示中满足 FDR 控制所需的单调性。

第二步：最小内核¶

剥掉所有一般性假设后，本文的核心数学问题是：

给定 d 个相关的双侧高斯检验统计量，BH 过程的 FDR 如何随协方差结构（通过 τᵢ 编码）变化？能否通过坐标特定的 p 值变换，在保持有限样本 FDR 控制的同时提升功效？

最小例子：考虑 d = 2 的最简单情形。设 X = (X₁, X₂) ~ N₂(0, Σ)，其中 Σ 为相关矩阵，相关系数为 ρ。此时： - τ₁ = τ₂ = 1 − ρ²（因为单变量对另一变量的回归 R² = ρ²）。 - 原始 p 值 Pᵢ = Ψ̄₁(Xᵢ²)。 - 移位 p 值 P̃ᵢ = G_τᵢ⁻¹(Pᵢ) = Ψ̄₁(Xᵢ²/τᵢ) = Ψ̄₁(Xᵢ²/(1−ρ²))。

关键观察：在零假设下，Xᵢ | X₋ᵢ 的条件分布为 N(0, τᵢ)（因为 μᵢ = 0 时，Xᵢ 对 X₋ᵢ 的回归残差方差为 1 − ρ²）。因此，移位 p 值 P̃ᵢ 在给定 X₋ᵢ 时服从均匀分布——这正是 PTDN 条件的本质：移位后的 p 值在条件于其他统计量时是均匀的。

为什么这能控制 FDR：BH 过程的 FDR 可以用 leave-one-out 表示（公式 (1)）分解为各项之和，每项涉及 P(Pᵢ ≤ α_{r+1} | R(P₋ᵢ) ≥ r)。如果 Pᵢ 满足 PTDN，那么这些条件概率可以被移位 p 值的边际概率所控制，从而得到 FDR ≤ (|I₀|/d)α。移位的作用是将相关结构"吸收"进 p 值的变换中，使得条件概率变得可处理。

为什么这能提升功效：在 d = 2 的例子中，如果真实信号在 X₁（即 μ₁ ≠ 0），且 X₁ 与 X₂ 强相关（ρ 接近 1），则 τ₁ 很小。移位变换 G_τ₁⁻¹ 会将 X₁² 的观测值放大 1/τ₁ 倍，使得信号更容易被检测。代价是零假设下的 p 值也被放大，但 PTDN 保证这种放大不会破坏 FDR 控制。

本文的推广：从 d = 2 到一般 d，从已知 Σ 到 Wishart 估计，从 z-检验到 t-检验。但核心机制不变：用条件方差参数 τᵢ 做坐标特定的 p 值变换，将相关结构编码进检验统计量，在 PTDN 条件下获得有限样本 FDR 控制。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在双侧高斯均值检验中，如何定量刻画原始 BH 过程的 FDR（定理 3.1），如何在协方差未知但有独立 Wishart 估计时构造具有有限样本 FDR 保证的移位 BH 过程（定理 4.2），以及移位 BH 何时比 BH 更有效（定理 2.10）。
核心工具/方法：PTDN 依赖框架 + leave-one-out FDR 表示 + 条件方差参数 τᵢ = 1 − Rᵢ² 的坐标特定 p 值变换 + Wishart 估计量的同步置信下界。
主要结论：①BH 的 FDR 有显式的依赖自适应上下界，在独立情形下恢复精确值 |I₀|α/d；②用 Wishart 估计构造的置信界移位 BH（CBSBH）在完全未知协方差下具有有限样本 FDR 控制，这是首个此类结果；③当信号集中在高相关坐标时，移位 BH 相对 BH 有严格功效优势。

关键设定与假设¶

设定（在第二节记号基础上补全）： - 第三节：Σ 已知。BH 过程基于原始 p 值 Pᵢ = Ψ̄₁(Xᵢ²)，临界值 αᵢ = iα/d。 - 第四节：Σ 未知，但有独立估计 A ~ W_d(n, Σ)，X ⊥ A，n ≥ d。CBSBH 用 Lᵢ = Cᵢ/Ψ̄⁻¹_ν(βᵢ) 作为 τᵢ 的置信下界，其中 Cᵢ = aᵢᵢ(1 − R̂ᵢ²)，ν = n − d + 1。

核心假设： - PTDN（定义 2.1）：对每个零假设 i，P(Pᵢ ≤ u | g(P₋ᵢ) ≤ t)/u 在 u ∈ (0, c) 上递减。这是整个框架的基石，保证移位 p 值在 leave-one-out 表示中满足 FDR 控制所需的单调性。 - 高斯性：X ~ N_d(μ, Σ)。这是 PTDN 成立的充分条件（通过条件正态性 + 卡方分布的单调似然比性质）。 - Wishart 估计：A ~ W_d(n, Σ)，X ⊥ A。这保证 Cᵢ ~ τᵢχ²_ν 的分布性质，从而构造精确的置信下界。

相比已有工作的变化： - 相比 Benjamini & Yekutieli (2001) 的 PRDS：PTDN 更弱（PRDS ⇒ PTDN），且直接针对 leave-one-out 表示中的条件概率，而非全局回归单调性。 - 相比 Su (2018) 的 FDR-Linking Theorem：本文的界是协方差特定的（通过 τᵢ），而非通用的乘法界。 - 相比 Ghosh & Sarkar (2025)：本文新增了原始 BH 的 FDR 上下界（第三节）和未知协方差下的 CBSBH（第四节）。

主要结果¶

定理 3.1（BH 的 FDR 界）：对双侧 z-检验，BH 过程的 FDR 满足： - 上界：FDR ≤ Σ_{i∈I₀} G_τᵢ( (1/d)G_τᵢ⁻¹(α) )（z-检验），以及对应的 t-检验版本。 - 下界：FDR ≥ (1/d) Σ_{i∈I₀} G_τᵢ( d·G_τᵢ⁻¹(α/d) )（z-检验）。 - 独立情形（τᵢ = 1）：上下界均退化为 |I₀|α/d，即精确的 BH FDR。

直觉：上界通过 PTDN 条件将 leave-one-out 表示中的条件概率替换为移位 p 值的边际概率，从而得到协方差特定的界。下界通过构造特定的信号配置（信号集中在高相关坐标）达到。

定理 4.2（CBSBH 的 FDR 控制）：在 Σ 未知但有独立 Wishart 估计 A 的设定下，CBSBH 过程（定义 2.9 的移位 p 值 + 置信下界 Lᵢ）在水平 α 控制 FDR。

证明路线： 1. 条件于 A 和事件 E_L = {Lᵢ ≤ τᵢ, ∀i}，Lᵢ 是固定的且满足 Lᵢ ≤ τᵢ。 2. 由引理 2.4(i)，当 τ ≤ τᵢ 时，P̃ᵢ,τ = G_τ⁻¹(Pᵢ) 是 PTDN 的。 3. 因此，条件于 E_L，移位 p 值 P̃ᵢ,Lᵢ 满足 PTDN，由定理 2.3 得 FDR ≤ α − β。 4. 无条件化：FDR = E[FDP·1_{E_L}] + E[FDP·1_{E_L^c}] ≤ (α − β) + P(E_L^c) ≤ (α − β) + β = α。

关键技巧： - leave-one-out 表示（公式 (1)）：将 FDR 分解为各项之和，每项只涉及单个 p 值与其余 p 值的条件关系。 - 移位 p 值的 PTDN 保持性（引理 2.4）：当移位参数 τ 不超过真实条件方差参数 τᵢ 时，移位后的 p 值仍然满足 PTDN。这是 CBSBH 的核心——用置信下界替代真实参数，同时保持 FDR 控制。 - Bonferroni 同步置信下界：P(Lᵢ ≤ τᵢ, ∀i) ≥ 1 − β，通过分配 βᵢ = β/d 实现。

数值结果： - 例子 1（d=10，前三坐标强相关 ρ=0.8，信号在第一坐标）：SBH-1 的检验功效 0.246 显著高于 BH 的 0.210，而 FDR 控制在 0.013 远低于名义水平 0.05。机制：τ₁ = 0.289 使得移位 p 值 P̃₁ = Ψ̄₁(X₁²/0.289) 远小于原始 p 值。 - 例子 2（d 可变，10% 非零信号，非零信号间 ρ=0.9，零假设间 ρ=0.1）：SBH-1 的功效随 d 增大持续优于 BH 和 dBH（Benjamini-Hochberg 的依赖修正版），且 FDR 始终受控。

🔎 结论是否比证明窄¶

是，存在三处"证明窄于结论"：

定理 3.1 的界是"存在性"而非"可计算性"：上下界涉及 G_τᵢ 的复合函数，虽然显式，但计算需要知道所有 τᵢ。在第四节之前，作者没有讨论 τᵢ 未知时的处理。CBSBH 部分解决了这个问题，但代价是引入 β 的额外损失。
PTDN 的验证条件未给出：作者证明了 PTDN ⇒ FDR 控制，但没有给出 PTDN 的可检验充分条件（除了高斯性）。在讨论部分，作者提到"识别更广泛的分布族"是未来工作，这意味着当前结果的适用范围实际上限于高斯。
CBSBH 的"有限样本"是条件于 E_L 的：定理 4.2 的证明依赖于 E_L 的构造，而 E_L 的概率至少 1 − β。这意味着 FDR 控制是"高概率"的，而非"确定性"的。作者在公式 (9) 中通过 FDP < 1 处理了这一点，但代价是 FDR 上界变为 α 而非 α − β。

另外：作者在摘要和引言中声称"首个在完全未知协方差下具有有限样本保证的移位 BH 型程序"，这个 claim 的验证需要读者自己去检查文献——作者没有在文中讨论任何可能的竞争方法（如基于 bootstrap 或置换的方法）。

四、开放问题¶

以下问题均扎根于本文的具体语句：

PTDN 的适用范围（扎根于讨论部分："identifying broader distributional families possessing the tail-concavity properties underlying PTDN"）：PTDN 目前只在高斯 z- 和 t- 检验中验证。能否推广到广义线性模型的 score 统计量、秩检验、或混合效应模型？这需要验证 tail-concavity 性质，可能涉及完全单调函数和 Pólya 频率函数的理论。
CBSBH 的 β 分配优化（扎根于定理 4.2 的证明和数值实验）：β 在 FDR 控制（α − β）和功效之间有一个权衡。β 越大，置信下界越保守，功效损失越大；β 越小，E_L 的概率越低，FDR 控制越脆弱。是否存在最优的 β 分配策略？能否用自适应方法选择 βᵢ？
高维协方差估计（扎根于讨论部分："extensions to regularized high-dimensional covariance estimation"）：当 d 接近或超过 n 时，Wishart 估计 A 不可逆，CBSBH 的构造失效。能否用稀疏协方差估计（如 Glasso）或因子模型替代？这会引入估计误差，如何将估计误差纳入 FDR 控制？
定理 3.1 的界是否紧（扎根于定理 3.1 的陈述）：上下界在独立情形下重合，但在相关情形下的 gap 有多大？能否构造达到上界或下界的协方差结构？这涉及一个 minimax 类型的问题：在所有满足 PTDN 的协方差结构中，BH 的 FDR 最大/最小是多少？
移位 p 值的功效最优性（扎根于定理 2.10 和数值实验）：SBH-1 在信号集中于高相关坐标时优于 BH，但在其他信号配置下是否可能劣于 BH？是否存在一个自适应方法，能在不知道信号位置的情况下接近最优功效？

提示：要确认这些是否是真 gap，建议去读 Ghosh & Sarkar (2025)、Sarkar & Zhang (2025)、Lei (2026) 以及最近 2-3 年关于"相关多重检验"的论文（如 FDR 控制中的 factor model 方法、knockoff 框架的最新进展）的引言——如果多个独立工作都指向同一个问题，那大概率是共识性 gap；如果各说各话，则可能是机会也可能是死胡同。

Maintained by 陈星宇 · Homepage · Source on GitHub