A flexible defense against the winner’s curse
灵活应对赢家诅咒的推断方法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：摘要核心是跨应用的选择后推断，治疗效果仅为例子，未明确提出专门的因果方法。
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
灵活应对赢家诅咒的推断方法
- 研究问题
- 从多个候选中选择经验表现最好者后，如何修正其表现被高估的问题，并对赢家或接近赢家的对象进行有效推断？
- 方法与思路
- 作者提出 zoom correction，摘要称其可用于参数与非参数设定、处理候选之间的任意依赖，并随选择偏差程度调整。
- 材料陈述的贡献
- 摘要称该方法支持对经验赢家的有效推断，并可扩展到前若干名、总体赢家的价值与身份，以及接近赢家的候选。
- 阅读关注点
- 应核对有效推断的概率保证、所需分布信息与计算方式，以及任意依赖和选择偏差自适应分别成立的条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；覆盖保证、具体假设及实现细节未说明，治疗例子本身也不足以建立因果识别。
原文摘要
Across science and policy, decision-makers often need to draw conclusions about the best candidate among competing alternatives. For instance, researchers may seek to infer the effectiveness of the most successful treatment or determine which demographic group benefits most from a specific treatment. Similarly, in machine learning, practitioners are often interested in the population performance of the model that performs best empirically. However, cherry-picking the best candidate leads to the winner’s curse: the observed performance for the winner is biased upwards, rendering conclusions based on standard measures of uncertainty invalid. We introduce the zoom correction, a novel approach for valid inference on the winner. Our method is flexible: it can be employed in both parametric and nonparametric settings, can handle arbitrary dependencies between candidates, and automatically adapts to the level of selection bias. The method easily extends to important related problems, such as inference on the top k winners, inference on the value and identity of the population winner, and inference on “near-winners.”