Model-Free Statistical Inference on High-Dimensional Data
高维数据的无模型统计推断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。
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：摘要讨论通用高维检验与变量筛选，未明确涉及所列经济计量细分方向。
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…
高维数据的无模型统计推断
- 研究问题
- 如何在不指定回归模型的高维数据中检验预测变量的重要性，并在多个相关检验之间控制错误发现率？
- 方法与思路
- 作者借助充分降维重述检验问题，构造新的卡方检验统计量，再针对相关检验设计多重检验程序。
- 材料陈述的贡献
- 摘要称统计量渐近服从自由度不依赖未知总体分布的卡方分布，并给出局部功效分析及错误发现率控制保证。
- 阅读关注点
- 应核对充分降维如何连接原检验目标、高维渐近条件、局部备择的尺度，以及相关检验下错误发现率控制的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；无模型推断仍可能需要分布与正则条件，摘要未列明，也不能推断刊本变化。
原文摘要
This article aims to develop an effective model-free inference procedure for high-dimensional data. We first reformulate the hypothesis testing problem via sufficient dimension reduction framework. With the aid of new reformulation, we propose a new test statistic and show that its asymptotic distribution is χ2 distribution whose degree of freedom does not depend on the unknown population distribution. We further conduct power analysis under local alternative hypotheses. In addition, we study how to control the false discovery rate of the proposed χ2 tests, which are correlated, to identify important predictors under a model-free framework. To this end, we propose a multiple testing procedure and establish its theoretical guarantees. Monte Carlo simulation studies are conducted to assess the performance of the proposed tests and an empirical analysis of a real-world dataset is used to illustrate the proposed methodology. Supplementary materials for this article are available online including a standardized description of the materials available for reproducing the work.