Estimating the False Discovery Rate of Variable Selection
变量选择错误发现率的估计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：摘要讨论的是通用统计建模下的模型选择错误发现率估计，属于统计方法论，未直接对应所给微观、宏观或金融领域细分。
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…
关注这篇论文的作者
变量选择错误发现率的估计
- 研究问题
- 摘要称，本文关注如何为任意模型选择程序估计其错误发现率（FDR），涵盖高斯线性模型、高斯图模型与 model-X 等常见统计建模设定。
- 方法与思路
- 作者提出一个通用估计量，并在标准统计假设下证明其有限样本偏差为保守（非负）；同时给出自助法（bootstrap）以评估该估计量的标准误。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提供可适用于多种模型选择程序的 FDR 估计量，并证明其有限样本保守性；对 Lasso、前向逐步回归、图 Lasso 等方法，该估计量可作为交叉验证的补充，刻画模型复杂度参数下预测误差与变量选择精度之间的权衡。
- 阅读关注点
- 应核对：所依赖的标准统计假设具体是什么、在何种模型选择程序下成立；保守偏差的证明条件与适用范围；bootstrap 标准误的有效性依据；以及摘要未说明的模拟或实证结果。
- 阅读边界
- 仅凭摘要无法判断估计量在具体数据生成过程下的实际表现、与其他 FDR 方法的比较，也未说明假设被违反时的稳健性；且该文为 arXiv 预印本（v4），不能据此声称已经同行评审或期刊接收。
原文摘要
We introduce a generic estimator for the false discovery rate of any model selection procedure, in common statistical modeling settings including the Gaussian linear model, Gaussian graphical model, and model-X setting. We prove that our method has a conservative (non-negative) bias in finite samples under standard statistical assumptions, and provide a bootstrap method for assessing its standard error. For methods like the Lasso, forward-stepwise regression, and the graphical Lasso, our estimator serves as a valuable companion to cross-validation, illuminating the tradeoff between prediction error and variable selection accuracy as a function of the model complexity parameter.