Nonlinear Boosting with Multiple Testing in High-Dimensional Generalised Linear Models with Binary Responses
高维二元响应广义线性模型中的多重检验非线性提升AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确应用于美国通胀未来十二个月超过阈值的概率预测；二元响应本身不足以归入离散选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维二元响应广义线性模型中的多重检验非线性提升
- 研究问题
- 高维二元响应模型如何在逐步选择变量时控制多重检验问题，并使选择后的参数估计接近已知正确模型的估计？
- 方法与思路
- 作者提出 BMT，每轮在已选变量条件下考虑多重检验，仅加入最显著协变量，再对选定模型进行最大似然估计。
- 材料陈述的贡献
- 摘要称在给定条件下实现变量选择一致性与预言性质，模拟表现较好，并展示美国通胀超阈值概率的样本外预测。
- 阅读关注点
- 应核对稀疏性、信号强度和维度增长条件，以及检验校正、停止规则、模拟对照和十二个月预测的样本划分。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实。摘要未列理论条件或预测指标，不能将所报告优势推广至所有二元模型。
原文摘要
This paper proposes a nonlinear boosting with multiple testing (BMT) approach to variable selection in high-dimensional generalised linear models with binary responses. At each stage of the BMT procedure, the model is updated by adding only the most significant covariate, conditional on those already selected in previous stages, while taking into account the multiple testing nature of the problem. It is shown that, under the stated conditions, the BMT procedure selects all covariates whose true coefficients are nonzero, and no other covariates, with probability tending to one. Furthermore, the procedure enjoys an oracle property, in the sense that the post-BMT maximum likelihood estimator of the parameters of the model is asymptotically equivalent to an oracle estimator that knows the correct sparse model in advance. Monte Carlo experiments demonstrate that BMT outperforms competing methods, delivering high covariate-selection accuracy and low parameter estimation error. An empirical example illustrates that BMT delivers a predictive model for the probability that U.S. inflation exceeds a given threshold over a 12-month horizon which has very good out-of-sample performance.