آزمون‌های چندگانه در شناسایی پروفایل‎‌های دورافتاده

امروزه به واسطه وجود فناوری ‌های نوین، داده‌ هایی با بعد بالا به‌ سادگی تولید می ‌شوند. در این‌گونه داده ‌ها نیاز به ارزیابی همزمان بیش از یک فرضیه وجود دارد. به‌ همین منظور از آزمون‌ های چندگانه که در آن گردایه ‌ای از فرضیه‌های آماری به طور همزمان مورد آزمون قرار می ‌گیرند استفاده کرده و نرخ خطای خانواده را که مهمترین موضوع در این‌ گونه آزمون ‌ها است کنترل می ‌شود. در این مقاله دو شیوه سیداک و گام به ‌پس برای کنترل نرخ خطای آزمون در شناسایی پروفایل‌های دورافتاده، به کار گرفته و با هم مقایسه خواهد شد. بر این اساس عملکرد دو شیوه ذکر شده با روش بوت ‌استرپی پارامتری مقایسه و برای یک مجموعه از داده ‌های واقعی پیاده‌سازی می‌شود.

Testing Multiple Profiles for Outlier Detection

The advent of new technology in recent years has facilitated the production of high dimension data. In these data we need evaluating more than one assumption. Multiple testing can be used for the collection of assumptions that are simultaneously tested and controlled the rate of family wise error that is the most critical issue in such tests. In this report, the authors apply Sidak and Stepwise strategies for controlling family wise error rate in detecting outlier profiles and comparing to each other. Considering our simulation results, the performance of such methods are compared using the parametric bootstrap snd by applying on real data in dataset illustrate the implementation of the proposed methods.