Valid post-selection inference
有效的模型选择后推断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。
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：摘要讨论通用回归中的模型选择后推断，未明确涉及因果参数或所列其他细分方向。
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…
有效的模型选择后推断
- 研究问题
- 研究使用同一数据选择回归变量后，如何构造仍具有统计保证的检验与区间，并处理所选子模型可能不正确的情形。
- 方法与思路
- 作者将选择后推断转化为同时推断，对所有子模型中系数估计对应的线性函数提供保护，从而扩大常规区间。
- 材料陈述的贡献
- 摘要称该保护适用于任意模型选择程序且不依赖所选子模型为真，同时比完整 Scheffé 保护更不保守，并给出渐近结果。
- 阅读关注点
- 应核对推断目标在不同子模型中的含义、同时保护的基本条件、区间校准方法，以及普适保护带来的保守程度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；普适有效性的完整条件未提供，不能直接扩展至任意误差分布、设计或非线性模型。
原文摘要
It is common practice in statistical data analysis to perform data-driven variable selection and derive statistical inference from the resulting model. Such inference enjoys none of the guarantees that classical statistical theory provides for tests and confidence intervals when the model has been chosen a priori. We propose to produce valid “post-selection inference” by reducing the problem to one of simultaneous inference and hence suitably widening conventional confidence and retention intervals. Simultaneity is required for all linear functions that arise as coefficient estimates in all submodels. By purchasing “simultaneity insurance” for all possible submodels, the resulting post-selection inference is rendered universally valid under all possible model selection procedures. This inference is therefore generally conservative for particular selection procedures, but it is always less conservative than full Scheffé protection. Importantly it does not depend on the truth of the selected submodel, and hence it produces valid inference even in wrong models. We describe the structure of the simultaneous inference problem and give some asymptotic results.