Scientific Reports· Branimir K. Hackenberger·· 8 天前AI 评分35
小样本实验筛选流程的成本校准决策规则
Cost-calibrated decision rules for small-sample experimental screening pipelines

AI 导读
一个成本校准决策框架将频率检验、贝叶斯后验阈值和贝叶斯因子分析统一为单一成本参数化族,用于初始筛选后接下游确认的小样本(n=3–10)流程。基于共轭正态模型推导出解析假阳性界限、含闭式交叉条件的贝叶斯风险分解,以及控制错误发现率的流程最优性定理。
- 背景
- 小样本实验(n = 3–10)在临床前与先导研究中占主流,但据作者所知,此前没有闭式决策论框架把实验成本、基础率与错误控制串联起来。
- 做法
- 作者提出一个成本校准框架,针对先筛选、后确认的两阶段流程,把频率派检验、贝叶斯后验阈值和贝叶斯因子分析统一为同一成本参数族下的特例。在共轭正态模型下推导出解析的假阳性上界、含闭式交叉条件的贝叶斯风险分解,以及控制错误发现率的流程最优性定理。并用模拟和对四个领域 248 个效应的分析进行检验,其中三个领域有重复或独立确认数据。
- 结论
- 在效应中等到较大、基础率中等到较高且有确认性后续实验时,期望效用改善;在低基础率或单阶段设定下没有获益。
- 意义
- 作者提供开源的 R 与 Python 实现,使不具备决策论背景的使用者也能直接调用。结论的适用边界由模拟与四领域效应分析给出,低基础率和单阶段场景不在获益范围内。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:Scientific Reports · nature.com