Doubly robust and computationally efficient high-dimensional variable selection
双重稳健且计算高效的高维变量选择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：摘要聚焦高维变量选择与条件独立性检验的统计方法及计算效率，属于计量与统计方法论，未直接对应所提供的因果推断、面板、离散选择、时间序列、资产定价等细分领域，故不选择。
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…
双重稳健且计算高效的高维变量选择
- 研究问题
- 摘要称，研究如何在高维设定下进行变量选择，即对每个预测变量在给定其余预测变量时检验其与响应的条件独立性，并解决直接使用投影协方差度量（PCM）检验所带来的计算负担问题。
- 方法与思路
- 作者提出 tower PCM（tPCM）：受 model-X 思路启发，利用对联合预测变量分布的估计与一次响应对全部预测变量的拟合，重构所有 PCM 拟合，从而把 O(p) 次机器学习拟合降为更少次数，并证明其双重稳健且与 PCM、HRT 渐近等价。
- 材料陈述的贡献
- 摘要称 tPCM 是 PCM 向变量选择的计算高效扩展：在联合预测变量分布足够易处理的场景（如全基因组关联研究）中，模拟显示相对 PCM 最高约 130 倍加速且功效相当；相比 knockoffs 与 HRT，分别提供逐变量 p 值和更快速度，并架起 model-X 与双重稳健方法的桥梁。
- 阅读关注点
- 应核对：联合预测变量分布“足够易处理”的具体条件与估计方式；双重稳健性与渐近等价所依赖的识别假设和正则条件；模拟中 130 倍加速与功效相当的具体设定、样本量与维度；逐变量 p 值的有效性保证；以及在全基因组关联研究等场景的适用边界。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，不能据此声称已通过同行评审或期刊接收；摘要未说明具体定理假设、证明细节、模拟设计、真实数据结果与代码可得性，所提加速倍数与等价性均为作者陈述，未经独立验证。
原文摘要
Variable selection can be performed by testing conditional independence (CI) between each predictor and the response, given the other predictors. A doubly robust and powerful option for these CI tests is the projected covariance measure (PCM) test. However, directly deploying PCM for variable selection brings computational challenges: testing a single variable involves a few machine learning fits, so testing $p$ variables requires $O(p)$ fits. Inspired by model-X ideas, we observe that an estimate of the joint predictor distribution and a single response-on-all-predictors fit can be used to reconstruct all PCM fits. This yields tower PCM (tPCM), a computationally efficient extension of PCM to variable selection. When the joint predictor distribution is sufficiently tractable, as in applications like genome-wide association studies, tPCM offers a substantial speedup over PCM -- up to 130$\times$ in our simulations -- while matching its power. tPCM also improves on model-X methods like knockoffs and holdout randomization test (HRT) by returning per-variable $p$-values and improving speed, respectively. We prove that tPCM is doubly robust and asymptotically equivalent to both PCM and HRT. We thus extend the bridge between model-X and doubly robust approaches, demonstrating their independent arrival at equivalent methods and showing that this intersection is a fruitful source of new methodologies like tPCM.