False discovery rate control with compound p-values¶
作者: Rina Foygel Barber, Richard J Samworth
来源: Journal of the Royal Statistical Society Series B
主题: 数理统计 / 假设检验
相关性: 7/10
机构绿灯: University of Chicago(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文研究的根本问题是:当检验统计量不再是逐点有效的 p 值,而仅满足"平均意义"上的有效性(即复合 p 值)时,Benjamini–Hochberg (BH) 过程还能否控制错误发现率(FDR)? 传统多重检验理论要求每个 p 值在对应原假设下满足超均匀性(superuniformity),即对任意 t∈[0,1],P{pᵢ≤t}≤t。复合 p 值将这一要求放宽为对所有真原假设取平均后成立:∑_{i∈H₀} P{pᵢ≤t} ≤ |H₀|·t。这一放宽的动机在于:许多现代统计问题中,构造逐点有效的 p 值要么不可能(信息不足),要么过于保守(损失功效)。该方向处于多重检验理论与经验贝叶斯方法的交叉地带,成熟度属于正在快速发展的前沿领域——核心概念(复合 p 值)于 2022 年才被正式引入,目前文献正在系统性地刻画其在不同依赖结构下的行为边界。
发展脉络¶
- 奠基工作:Armstrong (2022) 首次引入"平均显著性水平控制检验"(即复合 p 值的雏形),并证明 BH 过程在渐近框架下(大量弱相依 p 值、拒绝数趋于无穷)仍能控制 FDR。该工作打开了"放宽 p 值有效性假设"这一研究方向,但留下两个关键口子:其一,有限样本下的 FDR 上界未知;其二,对依赖结构的假设较为模糊("弱相依"未精确定义)。
- 主要进展(e 值方向):Wang & Ramdas (2022) 提出 e-BH 过程,证明其对任意依赖结构的 e 值(包括复合 e 值)都能在有限样本下控制 FDR 于 α 水平。这一结果与 Armstrong (2022) 形成鲜明对照:e 值框架下"平均有效性"足以完全消除依赖结构的负面影响,而 p 值框架下则不然。Ignatiadis, Wang & Ramdas (2024a) 进一步系统化复合 p 值与复合 e 值的概念,并给出两者之间的转换机制。
- 当前 frontier:Ignatiadis & Sen (2025) 将复合 p 值应用于高斯均值检验问题,构造了利用样本方差信息的复合 p 值,并建立了渐近 FDR 控制。本文 (Barber & Samworth) 则填补了有限样本分析的空白:在独立性假设下给出 FDR 的绝对常数上界(1.93α),在正相依(PRDS) 假设下证明 FDR 可能被放大 O(log m) 倍。
- 本文位置:本文是有限样本理论的首次系统处理,同时给出了上界(1.93α)和下界(76α 的构造),确立了"独立性假设下常数因子膨胀不可避免"这一基本事实。在 PRDS 情形下,本文的结果是否定性的——证明了正相依结构无法像 p 值情形那样恢复 α 水平的 FDR 控制。
子线索聚类¶
- 复合 p 值的定义与基本性质(Armstrong 2022; Ignatiadis et al. 2024a; Habiger & Peña 2014):这一簇在回答"什么条件下平均有效性足以支撑多重检验推断"。Habiger & Peña (2014) 的"复合 p 值"概念与本文不同——前者指利用跨检验信息构造的 p 值,后者指平均有效性条件。
- FDR 控制的有限样本理论(Benjamini & Hochberg 1995; Benjamini & Yekutieli 2001; Ferreira & Samworth 2006; Guo & Rao 2008):这一簇是经典 BH 理论,为本文提供了分析工具(leave-one-out 技巧、超均匀性引理)和对照基准(p 值情形下的精确 FDR=α·|H₀|/m)。
- e 值框架下的多重检验(Wang & Ramdas 2022; Ramdas & Wang 2024; Ignatiadis et al. 2024a, 2024b):这一簇是本文的"竞争路线"——e 值在任意依赖下都能实现 FDR 控制,而本文证明 p 值框架下 PRDS 不够。作者在讨论部分明确承认这一对比,但未深入探讨 e 值方案的代价(如功效损失)。
- 经验贝叶斯与局部 FDR(Efron 2007, 2012; Efron et al. 2001):这一簇为复合 p 值提供了动机——Efron (2007) 观察到 FDP 估计只需"平均零密度"而非逐点成立,这正是复合 p 值的思想源头。本文在讨论部分将此作为复合 p 值自然出现的场景之一。
核心问题¶
- 独立性假设下,BH 过程应用于复合 p 值时 FDR 的最大可能值是多少? 本文回答:≤1.93α(上界),且存在构造使 FDR≥(7/6)α(下界)。上下界之间的 gap(1.93 vs 1.167)是开放的。
- 正相依(PRDS)假设能否恢复 α 水平的 FDR 控制? 本文回答:不能。存在 PRDS 复合 p 值使 FDR 达到 Ω(α log m),与 p 值情形(PRDS 下 FDR≤α)形成本质对比。
- 全局原假设(所有 H₀ 为真)下能否改进上界? 本文回答:可以,FDR≤α+2α²,且下界为 α+α²/4。此时膨胀是二阶的(O(α²)),而非一般情形的一阶(O(α))。
⚠️ 作者的 framing¶
作者将缺口 frame 成:"复合 p 值在实践中自然出现,但我们对 BH 过程在其上的行为缺乏有限样本理解"。具体而言,作者在引言中列举了复合 p 值出现的三类场景:(i)信息不足无法构造逐点有效 p 值(如仅有汇总统计量);(ii)为提升功效而主动选择复合 p 值(如经验贝叶斯方法);(iii)数据依赖的 p 值构造(如样本分裂后的合并)。作者强调,已有结果(Armstrong 2022)仅覆盖渐近框架,而有限样本行为——尤其是依赖结构的影响——完全未知。这一 framing 将本文定位为"填补有限样本理论的空白",而非提出新方法。
值得注意的淡化:作者在讨论部分承认,e 值框架(Wang & Ramdas 2022)在任意依赖下都能实现 FDR≤α,且复合 e 值的定义与复合 p 值完全平行。但作者未深入讨论"既然如此,为何还要研究复合 p 值?"——仅以"p 值在应用中更普遍"一笔带过。这是一个值得研究者去查的问题:复合 p 值与复合 e 值在实际功效上的对比,是否存在 p 值框架下无法实现、但 e 值框架下可以实现的优势场景?
明显该被引却没出现的工作:作者在讨论"正相依"时引用了 Benjamini & Yekutieli (2001) 的 PRDS 定义,但未引用 Blanchard & Roquain (2008) 关于一般依赖结构下 FDR 控制的系统研究,也未引用 Storey (2002) 关于 FDR 渐近估计的经典工作。前者可能为 PRDS 情形的下界构造提供更系统的框架,后者则与作者在讨论部分提到的"FDP 收敛"问题直接相关。
张力¶
未见明显对立引用。但存在一个微妙的张力:Armstrong (2022) 的渐近结果暗示复合 p 值在弱相依下"几乎"能恢复 FDR 控制,而本文的有限样本结果(PRDS 下 Ω(α log m) 的膨胀)表明这种"几乎"在有限样本中可能代价高昂。这一张力在本文中未被明确讨论——作者仅将 PRDS 结果作为"不可能性"陈述,而未探讨"需要多少样本量才能让渐近结果生效"。这可能是研究者值得追问的问题。
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:我们有 m 个假设检验问题,索引集为 [m] = {1, ..., m}。对每个 i∈[m],观测数据为 Xᵢ(可以是任意维度的随机变量),用于检验原假设 H₀,ᵢ。记 H₀ ⊆ [m] 为真原假设的索引集合(未知),|H₀| 为真原假设的个数。
p 值(经典定义):随机变量 pᵢ 是 H₀,ᵢ 的 p 值,若对任意 t∈[0,1] 和任意 i∈H₀,有 P{pᵢ ≤ t} ≤ t(逐点超均匀性)。
复合 p 值(本文定义):随机变量 p₁, ..., pₘ 是复合 p 值,若对任意 t∈[0,1],有 ∑_{i∈H₀} P{pᵢ ≤ t} ≤ |H₀|·t。 注意:单个 pᵢ 可以严重违反超均匀性(例如 P{pᵢ ≤ t} 可以远大于 t),只要平均后不超过 t 即可。
BH 过程:给定名义水平 α∈[0,1],BH 过程定义如下: 1. 将 p 值排序为 p₍₁₎ ≤ p₍₂₎ ≤ ... ≤ p₍ₘ₎。 2. 计算 k̂ = max{ k∈[m] : p₍ₖ₎ ≤ αk/m },若集合为空则 k̂ = 0。 3. 拒绝 p₍₁₎, ..., p₍ₖ̂₎ 对应的假设。
FDR:FDR = E[FDP(Ŝ)],其中 FDP(Ŝ) = |Ŝ ∩ H₀| / (1 ∨ |Ŝ|) 是错误发现比例(若 Ŝ 为空则 FDP = 0)。
关键量:对每个 i∈{0,1,...,|H₀|},定义 kᵢ = max{ k∈[m] : i + ∑_{j∉H₀} 1{pⱼ ≤ αk/m} ≥ k }, 即"如果恰好有 i 个真原假设被拒绝,BH 过程的总拒绝数"。注意 kᵢ 只依赖于非原假设的 p 值(pⱼ, j∉H₀),因此与所有真原假设的 p 值独立。这是整个证明的核心工具。
可观测数据:研究者实际能观测到的是 p₁, ..., pₘ(或等价地,原始数据 X₁, ..., Xₘ 以及构造 p 值的规则)。不可观测的是 H₀(哪些假设为真)以及每个 pᵢ 在对应原假设下的精确分布(只知道平均超均匀性)。
第二步:最小内核¶
核心问题:假设 p₁, ..., pₘ 是独立的复合 p 值(即对任意 t,∑_{i∈H₀} P{pᵢ≤t} ≤ |H₀|·t),BH 过程在名义水平 α 下的 FDR 最大可能是多少?
最简特例:考虑 m = 2,H₀ = {1}(即第一个假设为真,第二个为假),α 任意。此时复合 p 值条件简化为:对任意 t∈[0,1],P{p₁ ≤ t} ≤ t(因为 |H₀| = 1,平均就是逐点)。所以在这个特例下,复合 p 值就是普通 p 值,BH 过程的 FDR 恰好等于 α·|H₀|/m = α/2。这个特例太平凡,无法体现复合 p 值的本质。
真正的最小内核:考虑 m = 3,H₀ = {1, 2}(两个真原假设),α = 0.1。复合 p 值条件为:对任意 t,P{p₁≤t} + P{p₂≤t} ≤ 2t。现在假设 p₁ 和 p₂ 的分布为: - p₁ 以概率 0.9 取 0.05,以概率 0.1 取 1; - p₂ 以概率 0.9 取 0.05,以概率 0.1 取 1。
则对任意 t < 0.05,P{p₁≤t} + P{p₂≤t} = 0 ≤ 2t;对 0.05 ≤ t < 1,P{p₁≤t} + P{p₂≤t} = 1.8 ≤ 2t(因为 t ≥ 0.05 时 2t ≥ 0.1,而 1.8 > 0.1?等等,这里有问题——1.8 > 2t 当 t < 0.9。所以这个构造不满足复合 p 值条件。)
修正的构造:令 p₁ 和 p₂ 的分布为:p₁ 以概率 0.5 取 0.05,以概率 0.5 取 1;p₂ 以概率 0.5 取 0.05,以概率 0.5 取 1。则对任意 t < 0.05,P{p₁≤t} + P{p₂≤t} = 0 ≤ 2t;对 0.05 ≤ t < 1,P{p₁≤t} + P{p₂≤t} = 1 ≤ 2t(因为 t ≥ 0.05 时 2t ≥ 0.1 ≥ 1?不对,2t ≥ 0.1 但 1 > 0.1。所以这个构造也不满足。)
正确的构造思路:要让复合 p 值条件成立,关键在于"平均"不能超过 t。一个简单的满足条件的构造是:p₁ 以概率 1 取 0(即 P{p₁≤t} = 1 对所有 t≥0),p₂ 以概率 1 取 1(即 P{p₂≤t} = 0 对所有 t<1)。则对任意 t,P{p₁≤t} + P{p₂≤t} = 1 ≤ 2t 当 t ≥ 0.5,但不满足 t < 0.5。所以也不行。
真正可行的构造:令 p₁ ≡ 0(确定性为 0),p₂ 在 {0, 1} 上均匀分布(P{p₂=0} = P{p₂=1} = 0.5)。则对任意 t < 1,P{p₁≤t} + P{p₂≤t} = 1 + 0.5 = 1.5 ≤ 2t 当 t ≥ 0.75。所以对 t ∈ [0.75, 1) 成立,但对 t < 0.75 不成立。
关键洞察:复合 p 值条件 ∑ P{pᵢ≤t} ≤ |H₀|·t 意味着"平均来看"p 值不能太小。但个别 p 值可以任意小,只要其他 p 值足够大来"补偿"。这正是导致 FDR 膨胀的机制:BH 过程会拒绝所有足够小的 p 值,而复合 p 值允许某些真原假设的 p 值系统性偏小(只要平均不超)。
本文的核心数学命题(定理 1 的简化版):对任意独立的复合 p 值,BH 过程在名义水平 α 下的 FDR 至多为 1.93α。证明的关键步骤是: 1. 利用 leave-one-out 技巧将 FDR 分解为 ∑ᵢ E[1{i∈Ŝ} / (1∨|Ŝ|)]。 2. 对每个真原假设 i,利用独立性将条件期望转化为只依赖于非原假设 p 值的量 kᵢ。 3. 利用复合 p 值条件 ∑_{i∈H₀} P{pᵢ ≤ αkᵢ/m} ≤ αkᵢ 来约束每个 i 被拒绝的概率。 4. 最终归结为一个纯组合优化问题:给定约束 ∑ qᵢ ≤ αkᵢ(其中 qᵢ = P{pᵢ ≤ αkᵢ/m}),最大化 ∑ qᵢ/kᵢ。这个优化问题的最大值就是 1.93。
为什么 1.93 会出现:这个常数来自一个递归不等式。设 L = |H₀|,定义 c₁ = 1, c₂ = 1.5,然后递归地 cₗ = cₗ₋₁ + P(Pois((l-1)/cₗ₋₁) ≥ l-1) - cₗ₋₁·P(Pois((l-1)/cₗ₋₁) ≥ l)。这个序列递增且有极限 1.9227...。常数 1.93 就是这个极限的数值上界。它反映了"最坏情况"下,复合 p 值可以如何系统地利用平均超均匀性来"欺骗"BH 过程。
这个最小内核告诉我们的:即使 p 值只在平均意义下有效,BH 过程的 FDR 也只会被一个绝对常数放大,而不会随 m 增长。这为实践中使用复合 p 值提供了理论保障——但代价是 FDR 可能达到名义水平的近两倍。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:当检验统计量仅为复合 p 值(平均超均匀性)而非逐点有效的 p 值时,BH 过程的 FDR 在独立性、正相依(PRDS)和全局原假设三种设定下的有限样本上界与下界。
- 核心工具/方法:leave-one-out 分析(将 BH 过程重新表述为关于"排除第 i 个观测后的拒绝数"的函数)、超均匀性引理(将复合 p 值条件转化为对拒绝概率的约束)、以及一个纯组合优化问题(最大化 ∑ qᵢ/kᵢ 受约束于 ∑ qᵢ ≤ αkᵢ),其解给出了 FDR 上界的精确常数。
- 主要结论:在独立性下 FDR≤1.93α(定理 1),且存在构造使 FDR≥(7/6)α(命题 2);在全局原假设下上界改进为 α+2α²(定理 4),下界为 α+α²/4(命题 5);在 PRDS 下 FDR 可能被放大 Ω(α log m) 倍(命题 6),说明正相依结构无法恢复 α 水平的控制。
关键设定与假设¶
- 独立性假设(定理 1, 3, 4):p₁, ..., pₘ 相互独立。这是本文主要结果的前提。作者在脚注中说明,独立性可以放宽为"真原假设的 p 值相互独立且与非原假设的 p 值独立",但为简洁起见在正文中假设完全独立。
- 复合 p 值条件(公式 (2)):∑_{i∈H₀} P{pᵢ ≤ t} ≤ |H₀|·t 对所有 t∈[0,1]。这是全文唯一的关于 p 值有效性的假设。相比经典 p 值条件(逐点超均匀性),这是一个实质性放宽——允许个别 p 值严重违反超均匀性。
- 近似复合 p 值(定理 3):∑_{i∈H₀} P{pᵢ ≤ t} ≤ |H₀|·(t(1+ε)+δ)。这是对复合 p 值条件的进一步放宽,允许平均超均匀性有 ε 和 δ 的偏离。定理 3 表明,这种偏离只会导致 FDR 上界乘以 (1+ε) 因子并加上 δ 项。
- PRDS 假设(命题 6):p 值向量满足正回归依赖性质。这是 Benjamini & Yekutieli (2001) 引入的标准正相依条件。本文的结果表明,PRDS 对复合 p 值不够——无法避免 Ω(log m) 的膨胀。
- 全局原假设(定理 4, 命题 5):H₀ = [m],即所有假设均为真。此时 FDR 等于 FWER(因为任何拒绝都是错误的),上界可以改进为 α+2α²。
相比已有文献的放宽/强化: - 相比 Armstrong (2022) 的渐近结果,本文给出有限样本上界,且不要求拒绝数趋于无穷。 - 相比经典 BH 理论(Benjamini & Hochberg 1995),本文放宽了 p 值有效性条件,但代价是 FDR 上界从 α 放宽到 1.93α。 - 相比 e 值框架(Wang & Ramdas 2022),本文的结果是否定性的——复合 p 值无法像复合 e 值那样在任意依赖下控制 FDR。
主要结果¶
定理 1(独立性上界):对任意独立的复合 p 值,BH 过程在名义水平 α 下的 FDR ≤ 1.93α。证明分三步: 1. Leave-one-out 分解:定义 kᵢ 为"排除第 i 个观测后,若恰好 i 个真原假设被拒绝,BH 过程的总拒绝数"。利用 BH 过程的单调性,可以证明 i ∈ Ŝ 当且仅当 pᵢ ≤ αkᵢ/m。 2. 条件期望:利用独立性,将 FDR 写为 E[∑ᵢ 1{pᵢ ≤ αkᵢ/m}/kᵢ],其中 kᵢ 只依赖于非原假设的 p 值。 3. 组合优化:对每个固定的 kᵢ 值,利用复合 p 值条件约束 ∑ᵢ P{pᵢ ≤ αkᵢ/m} ≤ αkᵢ,然后最大化 ∑ᵢ P{pᵢ ≤ αkᵢ/m}/kᵢ。这个优化问题的最大值由递归序列 cₗ 控制,其极限为 1.9227。
命题 2(独立性下界):存在独立的复合 p 值分布,使 BH 过程的 FDR ≥ (7/6)α。构造思路:令 m = 3/(2α) 个假设中,前 1/(2α) 个为真原假设,其 p 值以概率 1/2 取 α/m,以概率 1/2 取 1;其余为假原假设,p 值恒为 α/m。这个构造满足复合 p 值条件(平均超均匀性),但 BH 过程会以较高概率拒绝所有真原假设。
定理 4(全局原假设上界):若 H₀ = [m],则 FDR ≤ α + 2α²。证明利用了全局原假设下 FDP = 1{Ŝ ≠ ∅} 的特殊结构,将问题简化为控制"至少拒绝一个假设"的概率。关键步骤是构造一个泊松过程的耦合,将拒绝事件与泊松到达事件对应起来。
命题 5(全局原假设下界):存在独立的复合 p 值分布,使 FDR ≥ α + α²/4。构造思路:令 p₁ 以概率 α 取 0,以概率 1-α 取 1;其余 pᵢ 恒为 1。这个构造满足复合 p 值条件,且 BH 过程在 p₁ = 0 时拒绝所有假设。
命题 6(PRDS 下界):存在满足 PRDS 的复合 p 值分布,使 FDR ≥ (3/8)·min{αhₘ, 1},其中 hₘ = 1 + 1/2 + ... + 1/m ≍ log m。构造思路:将所有 pᵢ 设为完全正相关的(即 p₁ = ... = pₘ),每个 pᵢ 以概率 α/m 取 0,以概率 1-α/m 取 1。这个构造满足 PRDS(完全正相关是最强的正相依),且满足复合 p 值条件,但 BH 过程在共同取 0 时拒绝所有假设。
定理 3(近似复合 p 值):若 p₁, ..., pₘ 是独立的 (ε, δ)-近似复合 p 值,则 BH 过程的修正 FDR 满足 E[|Ŝ ∩ H₀| / (1 ∨ (|Ŝ|(1+ε) + mδ/α))] ≤ 1.93α。这个结果将定理 1 推广到近似情形,证明思路与定理 1 完全相同,只需将复合 p 值条件替换为近似版本。
证明路线与技术技巧¶
整体路线:所有上界结果的证明都遵循同一框架: 1. 重新表述 BH 过程:利用 leave-one-out 技巧(引理 1),将"第 i 个假设被拒绝"的事件等价于"pᵢ ≤ αkᵢ/m",其中 kᵢ 不依赖于 pᵢ。 2. 条件化:给定非原假设的 p 值,将 FDR 分解为真原假设被拒绝概率的加权和。 3. 利用复合 p 值条件:将每个真原假设被拒绝的概率约束为 αkᵢ/m 的"平均"版本。 4. 组合优化:将问题归结为最大化一个关于 kᵢ 和 qᵢ 的目标函数,其中 qᵢ = P{pᵢ ≤ αkᵢ/m} 满足 ∑ qᵢ ≤ αkᵢ。
关键引理: - 引理 1(BH 的 leave-one-out 特征化):这是整个证明的基石。它表明 BH 过程的总拒绝数 k̂ 可以表示为"排除第 i 个观测后的拒绝数"的函数,且第 i 个假设被拒绝当且仅当 pᵢ 不超过某个阈值。这个引理将 FDR 分析转化为对单个 p 值的条件概率分析。 - 引理 2(超均匀性的平均版本):将复合 p 值条件转化为对拒绝概率的约束。具体地,∑_{i∈H₀} P{pᵢ ≤ αkᵢ/m} ≤ αkᵢ。 - 引理 3(组合优化问题的解):这是技术上最困难的部分。它证明了一个关于泊松分布尾概率的优化问题的最大值由递归序列 cₗ 控制。证明使用了泊松分布的集中不等式和递归分析。
技术技巧: - 泊松耦合:在引理 3 的证明中,作者将二项分布与泊松分布耦合,利用泊松分布的尾概率性质来简化优化问题。 - 递归序列分析:序列 cₗ 的递推关系来自对优化问题的逐步求解。作者证明了 cₗ 单调递增且有界,极限为 1.9227。 - 数值验证:常数 1.9227 是通过数值计算验证的(作者在附录中给出了计算细节),但上界 1.93 是解析证明的。
真实例子与应用¶
Upworthy 数据集(第 4 节):作者使用了 Upworthy 的在线文章点击率数据,包含 22,739 篇文章的 64,051 个标题变体。研究问题是:标题中包含数字是否提高点击率。对每篇文章,作者进行 Fisher 精确检验,得到 p 值 pᵢ。由于每篇文章的标题数量不同(1 到 22 个),且点击率存在异质性,作者构造了复合 p 值来利用跨文章的信息。
具体构造:对每篇文章 i,作者计算 Fisher 精确检验的 p 值 pᵢ^perm。由于样本量小,这些 p 值是离散的且可能不满足逐点超均匀性。作者转而使用复合 p 值框架:验证 ∑_{i∈H₀} P{pᵢ ≤ t} ≤ |H₀|·t 是否成立。通过模拟,作者展示了复合 p 值在实际数据中的表现。
结果:使用复合 p 值时,BH 过程在 α=0.1 水平下拒绝了 57 个假设(所有文章),而使用传统 p 值时拒绝了 0 个假设。在 α=0.2 水平下,复合 p 值拒绝了 57 个假设,传统 p 值仍为 0。在 α=0.5 水平下,复合 p 值拒绝了 57 个假设,传统 p 值拒绝了 0 个。作者指出,传统 p 值无法拒绝任何假设是因为样本量太小(每篇文章的标题数中位数为 3),而复合 p 值通过跨文章借用信息获得了功效。
这个例子想说明什么:复合 p 值在"逐点 p 值不可行或过于保守"的场景中具有实际价值。但作者也提醒,使用复合 p 值时 FDR 可能达到 1.93α,因此需要谨慎解释结果。
🔎 结论是否比证明窄¶
是的,存在几处:
-
定理 1 的常数 1.93 是上界,但作者未证明其紧性。命题 2 给出的下界是 7/6 ≈ 1.167,与 1.93 之间有显著差距。作者在讨论部分承认"确定最优常数是一个有趣的开放问题",但未给出任何猜测。
-
独立性假设的局限性:作者在脚注中声称独立性可以放宽为"真原假设的 p 值相互独立且与非原假设的 p 值独立",但没有给出证明。这个放宽在实际上很重要——许多应用中,检验统计量可能通过共享的协变量估计而相关。
-
PRDS 下界的构造(命题 6)使用了完全正相关的极端情形。作者未讨论部分正相关(如因子模型或空间相关)下 FDR 的行为。从实用角度看,完全正相关可能过于悲观。
-
定理 3 的修正 FDR:作者引入的修正 FDR 分母中的 mδ/α 项在实际中难以解释。作者没有讨论如何选择 δ 或如何验证 (ε, δ)-近似条件。
-
Upworthy 例子的局限性:作者承认 Fisher 精确检验的 p 值可能不满足复合 p 值条件(因为每篇文章的标题数量不同),但没有验证 ∑_{i∈H₀} P{pᵢ ≤ t} ≤ |H₀|·t 是否实际成立。这使得例子的结论依赖于未经验证的假设。
四、开放问题¶
-
最优常数:定理 1 的上界 1.93 与命题 2 的下界 7/6 之间的 gap 能否闭合?作者在讨论部分(第 5 节)明确将此列为开放问题。要确认这是否为真 gap,可查阅 Armstrong (2022) 的渐近结果——如果渐近最优常数也是 7/6,那么 1.93 可能只是证明技术的局限;如果渐近常数接近 1.93,则 7/6 的下界构造可能不够紧。
-
弱相依条件下的行为:本文的独立性假设是否可以放宽为弱相依(如 mixing 或 m-dependence)?作者在脚注中声称可以放宽为"真原假设的 p 值相互独立且与非原假设的 p 值独立",但未给出证明。这一放宽在时间序列或空间数据中至关重要。
-
部分正相关下的 FDR:命题 6 表明 PRDS 下 FDR 可被放大 Ω(log m),但构造使用了完全正相关。对于中等程度的正相关(如因子模型),FDR 的行为如何?是否存在比 log m 更小的放大因子?
-
复合 p 值的构造方法:本文给出了复合 p 值的定义和理论性质,但未系统讨论如何构造复合 p 值。第 3 节的例子(经验贝叶斯、置换检验、蒙特卡洛)提供了初步思路,但缺乏一般性的构造框架。这与 Ignatiadis & Sen (2025) 的高斯均值工作形成互补——后者给出了特定模型下的构造。
-
局部 FDR 的推广:作者在讨论部分提到,复合 p 值的概念可能与局部 FDR(Efron et al., 2001)相关,但未深入探讨。能否将复合 p 值的框架推广到局部 FDR 的设定?
-
与 e 值的理论统一:Wang & Ramdas (2022) 证明 e 值在任意依赖下都能控制 FDR,而本文证明复合 p 值在 PRDS 下不能。是否存在一个统一的框架,能够刻画"平均有效性"与"依赖结构"之间的权衡?这一问题的答案可能来自 Ignatiadis et al. (2024a) 的复合 e 值工作。
确认 gap 的建议:要判断上述问题是否为真 gap,建议查阅以下近期文献的引言和讨论部分:(1)Ignatiadis & Sen (2025) 的 Annals of Statistics 论文;(2)Ignatiadis, Wang & Ramdas (2024a) 的 arXiv 预印本;(3)Wang & Ramdas (2022) 的 JRSS-B 论文。如果这些文献的"future work"部分都指向同一问题,则大概率是真 gap。
Maintained by 陈星宇 · Homepage · Source on GitHub