Bi-Gaussian Mirrors for False Discovery Rate Control
双高斯镜像方法用于错误发现率控制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：摘要讨论的是高维变量选择中的 FDR 控制这一通用统计方法问题，未涉及所给领域细分中的因果推断、面板、时间序列、资产定价等具体方向，故不选择任何细分领域。
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
双高斯镜像方法用于错误发现率控制
- 研究问题
- 摘要称，研究问题是在高维变量选择中有效控制错误发现率（FDR），尤其是数据存在复杂相依性、且现有方法依赖联合分布先验知识、检验统计量完全对称或仅适用于线性回归模型的情形。
- 方法与思路
- 作者提出名为 Bi-Gaussian Mirrors（BGM）的方法，称其概念简单、易于使用且计算高效，并给出一个自我引导（self-guiding）程序以提升实用性；在正则条件下建立 FDR 控制与渐近功效的理论保证，并通过大量数值模拟与两个真实数据例子进行评估。
- 材料陈述的贡献
- 摘要称该方法是首次尝试在具有复杂相依性的高维数据中实现 FDR 控制，同时克服现有方法对联合分布先验知识、显著功效损失、检验统计量完全对称以及仅限线性回归模型等限制，并在有限样本下于 FDR 控制与检验功效之间取得更优平衡。
- 阅读关注点
- 应核对：复杂相依性的具体设定与识别条件；正则条件的具体内容；FDR 控制是有限样本还是渐近成立；渐近功效的结论形式；self-guiding 程序的步骤与调参方式；模拟设计与两个真实数据例子的选择是否支持所声称的优越性。
- 阅读边界
- 仅凭摘要无法判断理论假设是否合理、证明是否正确、模拟是否可复现，也无法核实“首次”“优于现有方法”等表述；摘要未说明具体数据、数值结果与对比方法。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
Effectively controlling the false discovery rate (FDR) in high-dimensional variable selection is a fundamental statistical problem that has garnered significant research interest. In this paper, we propose a novel, user-friendly, and computationally efficient method called Bi-Gaussian Mirrors (BGM), which offers a conceptually simple yet powerful approach for FDR control. Our method makes the first attempt to achieve FDR control in high-dimensional data with complex dependencies, while overcoming key limitations of existing approaches, such as prior knowledge of the joint distribution of data, significant power loss, the need for full symmetry in test statistics, and the theoretical restriction to linear regression models. Additionally, we present a self-guiding procedure designed to enhance the practicality and applicability of the BGM method. Theoretical guarantees for FDR control and asymptotic power are rigorously established under regularity conditions. Moreover, extensive numerical simulations and two real-data examples demonstrate that the BGM method outperforms existing approaches in terms of finite-sample performance, achieving a superior balance between FDR control and testing power.