A One Covariate at a Time, Multiple Testing Approach to Variable Selection in High-Dimensional Linear Regression Models
高维线性回归变量选择的逐协变量多重检验方法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：摘要明确以美国产出增长与通胀预测作为应用，因此归入宏观预测；高维变量选择本身缺少对应的专门细分。
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…
高维线性回归变量选择的逐协变量多重检验方法
- 研究问题
- 当线性回归的协变量数量远多于观测数时，如何通过逐变量显著性检验选择模型，同时处理反复检验带来的误选问题？
- 方法与思路
- 作者提出逐次考察单个协变量的多重检验程序OCMT，借助多重检验理论处理模型选择，并控制假阳性率与错误发现率。
- 材料陈述的贡献
- 摘要称OCMT易解释、计算较快且小样本表现良好，并给出美国产出增长与通胀预测应用；具体比较条件与幅度未说明。
- 阅读关注点
- 核对近似模型如何定义、检验阈值与多重检验校正如何设置，以及选择概率和错误率保证的条件与预测评估设计。
- 阅读边界
- 摘要未列出完整正则条件、检验阈值或基准比较细节，无法据此判断其在不同相关结构下的表现或普遍优于惩罚回归。
原文摘要
This paper provides an alternative approach to penalized regression for model selection in the context of high‐dimensional linear regressions where the number of covariates is large, often much larger than the number of available observations. We consider the statistical significance of individual covariates one at a time, while taking full account of the multiple testing nature of the inferential problem involved. We refer to the proposed method as One Covariate at a Time Multiple Testing (OCMT) procedure, and use ideas from the multiple testing literature to control the probability of selecting the approximating model, the false positive rate, and the false discovery rate. OCMT is easy to interpret, relates to classical statistical analysis, is valid under general assumptions, is faster to compute, and performs well in small samples. The usefulness of OCMT is also illustrated by an empirical application to forecasting U.S. output growth and inflation.