Метод Бенджамини-Иекутиели

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: '''Метод Бенджамини-Иекутиели''' — один из нисходящих методов контроля ожидаемой доли ложных отклонен...)
Строка 1: Строка 1:
-
'''Метод Бенджамини-Иекутиели''' — один из нисходящих методов контроля ожидаемой доли ложных отклонений гипотез ([[FDR]]), который в отличии от [[Метод Бенджамини-Хохберга|метода Бенджамини-Хохберга]] не накладывает дополнительных ограничений на статистики гипотез <tex> T_i</tex>.
+
'''Метод Бенджамини-Иекутиели''' — один из нисходящих методов контроля ожидаемой доли ложных отклонений гипотез ([[FDR]]), который, в отличии от [[Метод Бенджамини-Хохберга|метода Бенджамини-Хохберга]], не накладывает дополнительных ограничений на статистики гипотез <tex> T_i</tex>.
== Определение ==
== Определение ==

Версия 10:54, 6 февраля 2014

Метод Бенджамини-Иекутиели — один из нисходящих методов контроля ожидаемой доли ложных отклонений гипотез (FDR), который, в отличии от метода Бенджамини-Хохберга, не накладывает дополнительных ограничений на статистики гипотез T_i.

Содержание

Определение

Пусть H_{1},...,H_{m} — семейство гипотез, а p_{1},...,p_{m} — соответствующие им достигаемые уровни значимости. Обозначим за R - число отвергнутых гипотез, а за V - число неверно отвергнутых гипотез, т.е. число ошибок первого рода.

Ожидаемая доля ложных отклонений гипотез, или FDR, определяется следующим образом

FDR\:=\: \operator{E}\left(\frac{V}{R}[R > 0]\right)

Контроль над FDR на уровне \alpha означает, что

FDR\:=\: \operator{E}\left(\frac{V}{R}[R > 0]\right) \leq \alpha

Метод Бенджамини-Иекутиели

Это нисходящая процедура(по аналогии с методом Холма и методом Бенджамини-Хохберга) со следующими уровнями значимости

\alpha_1 = \frac{\alpha}{mc}\:,\:\dots\:,\:\alpha_i = \frac{i\alpha}{mc}\:, \:\dots\:, \:\alpha_m = \frac{\alpha}{c},

где c = \sum_{i=1}^m\frac{1}{i}

Если обозначить число верных гипотез как \:m_0, то метод Бенджамини-Иекутиели обеспечивает контроль над FDR на уровне \frac{m_0}{m}\alpha \leq \alpha при любых p_i и T_i.

Альтернативная постановка

Переходим к модифицированным достигаемым уровням значимости:

\tilde p_{(i)}\: =\: \min\left(1,\: \max\left(\frac{mp_{(i)}c}{i}, \:\tilde p_{(i-1)}\right)\right),

где p_{(i)} - i-ый член вариационного ряда достигаемых уровней значимости

p_{(1)} \: \leq\: p_{(2)}\: \leq \: \dots \: \leq p_{(m)}

Замечание

Пусть статистики гипотез T_i независимы или выполняется следующее свойство (PRDS on T_i,\: i \in M_0):

\operator{P}(X\in D|T_i=x) не убывает по x\:\forall i\in M_0,

где M_0 - множество индексов верных гипотез, D - произвольное возрастающее множество, то есть, такое, что из x\in D и y \geq x следует y\in D.

Тогда можно положить константу c равной единице и получить метод Бенджамини-Хохберга. Другими словами метод Бенджамини-Хохберга - частный случай метода Бенджамини-Иекутиели.

Пример

n=20, \;m=200, \;m_0 = 150;

X_{ij} \sim N(0,1), \;i=1,\ldots,m_0, \;j=1,\ldots,n;

X_{ij} \sim N(1,1),\; i=m_0+1,\ldots,m, \;j=1,\ldots,n;

H_i: EX_{ij} = 0, \;H_i': EX_{ij} \ne 0;

для проверки используем одновыборочный критерий Стьюдента.

С поправкой Холма(Метод Холма):

Верных H_i Неверных H_i Всего
Принятых H_i 150 24 174
Отвергнутых H_i 0 26 26
Всего 150 50 200


С методом Бенджамини-Иекутиели:

Верных H_i Неверных H_i Всего
Принятых H_i 150 10 160
Отвергнутых H_i 0 40 40
Всего 150 50 200

Реализации

  • MATLAB: Benjamini and Hochberg/Yekutieli Procedure for Controlling False Discovery Rate - реализация на MathWorks.com
  • R: функция p.adjust (с параметром method="BY") из стандартного пакета stats позволяет получить модифицированные уровни значимости с учетом поправки метода Бенджамини-Иекуитеил.

Ссылки

См. также

Метод Холма

Метод Бенджамини-Хохберга

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%91%D0%B5%D0%BD%D0%B4%D0%B6%D0%B0%D0%BC%D0%B8%D0%BD%D0%B8-%D0%98%D0%B5%D0%BA%D1%83%D1%82%D0%B8%D0%B5%D0%BB%D0%B8»
Личные инструменты