p值合并问题是研究合并不同来源的统计信息，以进行统计决策的方法，是统计学中的一个重要问题，并广泛应用于多重假设检验领域。相依结构未知情形下的p值合并问题是统计学理论研究的难点与热点，也是实际数据分析的迫切需求。但传统假设检验中的统计决策通常依赖于一些简化的相依性假设，因此理论上没有I类错误率的保证。我们关注在任意环境下均能保证p值功能的前提下，让性能(统计效力)达到最优的合并方法。
这项工作首次系统性地研究了在任意相依结构下，p值合并函数的极小性及控制结构。这项工作研究了满足极小性的p值合并函数的对偶表示方法，给出了合并函数满足极小性的一个必要条件；同时提出新的p值合并理论，利用相依结构中的联合混合等技术方法，以及转化e值的思路，给出了两类新的满足极小性的p值合并函数；基于这些结果，严格改进了Hommel的经典p值合并函数以及幂平均合并等经典p值合并方法，使其满足极小性并且具有更强的统计效力。
这项工作是由中科院数学与系统科学研究院的王彬与英国伦敦大学、加拿大滑铁卢大学合作完成，相关成果已被统计学顶级期刊Annals of Statistic接收并在线发表。
Vovk, V., Wang, B. & Wang, R. (2021+)
Admissible ways of merging p-values under arbitrary dependence.
Annals of Statistics, to appear.
https://imstat.org/journals-and-publications/annals-of-statistics/annals-of-statistics-future-papers/
https://www.e-publications.org/ims/submission/AOS/user/submissionFile/48668?confirm=ae803403