The $\ell$-test: leveraging sparsity in the Gaussian linear model for improved inference
ℓ检验：利用高斯线性模型中的稀疏性改进推断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：摘要主题为高斯线性模型下的系数检验与置信区间构造等统计推断方法，未涉及用户所列因果推断、面板、时间序列、金融等具体领域细分，故证据不足，留空。
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
ℓ检验：利用高斯线性模型中的稀疏性改进推断
- 研究问题
- 摘要称，研究问题是在高斯线性模型（n≥d）中，如何构造系数检验与置信区间，使其在真实系数向量稀疏时比普通最小二乘 t 检验具有更高功效，同时保持有限样本有效性。
- 方法与思路
- 作者提出基于 LASSO 的检验与置信区间构造方法，称为 ℓ 检验；摘要称其有限样本有效性与 OLS-t 检验相同，且无需重抽样或蒙特卡洛估计，并给出基于 LASSO 选择的精确后选择推断调整。
- 材料陈述的贡献
- 摘要称，稀疏情形下 ℓ 检验表现类似单侧 t 检验（尽管未被告知符号信息），相应置信区间更短；该方法可直接给出后选择 p 值与置信区间，并可推广到一大类渐近高斯估计量。
- 阅读关注点
- 应核对：有限样本有效性成立的精确条件与识别假设；稀疏性刻画方式；与单侧 t 检验类比的具体含义；后选择调整的构造细节；模拟设计与 HIV 耐药数据分析的具体设定；向渐近高斯估计量推广所需条件。
- 阅读边界
- 仅依据摘要，无法判断定理证明、模拟结果数值、实际数据结论及与既有方法的全面比较；摘要未说明具体假设、样本量与效应量等细节。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We develop novel LASSO-based methods for coefficient testing and confidence interval construction in the Gaussian linear model with $n\ge d$. Our methods' finite-sample validity is identical to that of their ubiquitous ordinary-least-squares-$t$-test-based analogues, yet have substantially higher power when the true coefficient vector is sparse. In particular, under sparsity our coefficient test, which we call the $\ell$-test, performs like the \emph{one-sided} $t$-test (despite not being given any information about the sign), and $\ell$-test-based confidence intervals are correspondingly shorter than the standard $t$-test-based intervals. The nature of the $\ell$-test directly provides a novel exact adjustment conditional on LASSO selection for post-selection inference, allowing for the construction of post-selection $p$-values and confidence intervals. None of our methods require resampling or Monte Carlo estimation. We perform a variety of simulations and a real data analysis on an HIV drug resistance data set to demonstrate the benefits of the $\ell$-test. We additionally show that the $\ell$-test can be applied to a large class of asymptotically Gaussian estimators, dramatically expanding its applicability beyond linear models.