Splitting strategies for post-selection inference
选择后推断中的分割策略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：摘要聚焦通用稀疏回归的选择后推断，没有提供所列计量应用方向的直接依据。
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
选择后推断中的分割策略
- 研究问题
- 稀疏回归中先选择参数再进行推断会产生选择偏差，如何在保证推断有效性的同时改善传统数据分割的选择与推断功效？
- 方法与思路
- 作者提出对响应向量进行随机化的策略作为数据分割的替代，允许任意选择规则，并通过理论、经验比较和中心极限定理分析其性质。
- 材料陈述的贡献
- 摘要称响应随机化可提高选择与推断功效，给出相应中心极限定理，并报告相对于数据分割可能获得显著功效增益。
- 阅读关注点
- 应核对被选择参数的定义、随机化分布与强度、选择与推断之间的关系，以及中心极限定理和功效比较所需的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，随机化设计和误差分布条件未说明；允许任意选择规则并不意味着在任意数据生成机制下均有有效推断。
原文摘要
Summary We consider the problem of providing valid inference for a selected parameter in a sparse regression setting. It is well known that classical regression tools can be unreliable in this context because of the bias generated in the selection step. Many approaches have been proposed in recent years to ensure inferential validity. In this article we consider a simple alternative to data splitting based on randomizing the response vector, which allows for higher selection and inferential power than the former, and is applicable with an arbitrary selection rule. We perform a theoretical and empirical comparison of the two methods and derive a central limit theorem for the randomization approach. Our investigations show that the gain in power can be substantial.