Post-selection inference in generalized linear models via parametric programming
广义线性模型中基于参数规划的选择后推断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：摘要聚焦 GLM 中 Lasso 选择后推断的方法论，未涉及因果识别、面板、离散选择、结构估计、时间序列或金融计量等具体应用领域，故不匹配给定领域细分。
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…
广义线性模型中基于参数规划的选择后推断
- 研究问题
- 研究问题：在广义线性模型（GLM）中经 Lasso 变量选择后，如何对回归系数进行有效的选择后推断，并纠正忽略变量选择所导致的朴素推断偏差。
- 方法与思路
- 方法思路：作者将线性模型（高斯响应）中已有的参数规划选择后推断策略推广到非高斯 GLM，通过类比 GLM 的最大似然估计与线性模型的最小二乘估计，并基于由原始数据构造的伪响应与协变量数据建立线性化模型，据此进行选择后推断。
- 材料陈述的贡献
- 摘要所述贡献：提出一个统一框架，用于 GLM 中 Lasso 变量选择后的系数推断；模拟实验显示该方法能有效纠正忽略变量选择的朴素推断，且效率高于基于多面体的选择后调整。
- 阅读关注点
- 阅读时应核对：参数规划策略在非高斯 GLM 下的具体构造与有效性条件；伪响应与协变量数据的生成方式及其理论依据；线性化模型近似的误差与推断保证；模拟中三类非高斯响应的设定、评价指标及与多面体方法的比较细节。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断推断的理论保证（如覆盖率的渐近性质）、识别假设、模拟之外的实际数据表现，也未说明方法对高维或模型误设情形的稳健性；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We propose a unified framework to draw inferences for regression coefficients in a generalized linear model (GLM) following Lasso-based variable selection. We adapt to non-Gaussian GLMs a recently developed parametric programming strategy for post-selection inference in the linear model with a Gaussian response by drawing parallels between maximum likelihood estimation in GLMs and least squares estimation in linear models. We then conduct post-selection inference based on a linearized model for pseudo response and covariate data strategically created based on the raw data. Using synthetic data generated from regression models for three different types of non-Gaussian responses in simulation experiments, we demonstrate that the proposed method effectively corrects the naive inference that ignores variable selection while achieving greater efficiency than a polyhedral-based post-selection adjustment.