Controlling False Discovery Rate Using Gaussian Mirrors
利用高斯镜像控制错误发现率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：摘要讨论通用线性回归变量筛选与多重检验，未明确对应所列应用领域或专门计量方向。
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
利用高斯镜像控制错误发现率
- 研究问题
- 在线性回归中同时筛选多个相关变量时，如何控制错误发现率，并改善协变量高度相关或信号并非极稀疏时的检出能力？
- 方法与思路
- 作者对每个预测变量加减随机高斯扰动生成镜像变量，结合普通最小二乘或 Lasso 构造用于变量筛选的检验统计量。
- 材料陈述的贡献
- 摘要称，在协变量依赖的温和假设下可渐近控制指定水平的错误发现率，数值研究显示若干情形下检验功效较高。
- 阅读关注点
- 应核对镜像统计量和筛选阈值的定义、选择后构造镜像的步骤，以及依赖假设与渐近错误发现率控制的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；依赖假设的具体形式与有限样本保证未说明，不能将渐近控制或模拟优势推广到所有设计。
原文摘要
Simultaneously, finding multiple influential variables and controlling the false discovery rate (FDR) for linear regression models is a fundamental problem. We here propose the Gaussian Mirror (GM) method, which creates for each predictor variable a pair of mirror variables by adding and subtracting a randomly generated Gaussian perturbation, and proceeds with a certain regression method, such as the ordinary least-square or the Lasso (the mirror variables can also be created after selection). The mirror variables naturally lead to test statistics effective for controlling the FDR. Under a mild assumption on the dependence among the covariates, we show that the FDR can be controlled at any designated level asymptotically. We also demonstrate through extensive numerical studies that the GM method is more powerful than many existing methods for selecting relevant variables subject to FDR control, especially for cases when the covariates are highly correlated and the influential variables are not overly sparse.