Testing generalized linear models with high-dimensional nuisance parameters
含高维干扰参数的广义线性模型检验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：摘要研究通用高维广义线性模型检验，基因交互应用不足以对应所列经济计量细分领域。
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
含高维干扰参数的广义线性模型检验
- 研究问题
- 当广义线性模型含高维干扰参数，且待检验系数子向量可能稀疏或稠密时，如何避免依赖计算昂贵的自助法？
- 方法与思路
- 作者构造具有闭式极限分布的检验，在正则条件下分析第一类错误和高维备择下的功效，并开展模拟与交互项应用。
- 材料陈述的贡献
- 摘要称，所提检验允许待检验参数稀疏或稠密，具有渐近正确的第一类错误，并在模拟中展示部分稀疏假设违背时的表现。
- 阅读关注点
- 应核对待检验参数与干扰参数的不同约束、极限分布形式、维数增长条件，以及稀疏假设违背的具体范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出正则条件或功效表达式，基因与环境交互项显著性检验也不自动识别因果交互。
原文摘要
Summary Generalized linear models often have high-dimensional nuisance parameters, as seen in applications such as testing gene-environment interactions or gene-gene interactions. In these scenarios, it is essential to test the significance of a high-dimensional subvector of the model’s coefficients. Although some existing methods can tackle this problem, they often rely on the bootstrap to approximate the asymptotic distribution of the test statistic, and are thus computationally expensive. Here, we propose a computationally efficient test with a closed-form limiting distribution, which allows the parameter being tested to be either sparse or dense. We show that, under certain regularity conditions, the Type-I error of the proposed method is asymptotically correct, and we establish its power under high-dimensional alternatives. Extensive simulations demonstrate the good performance of the proposed test and its robustness when certain sparsity assumptions are violated. We also apply the proposed method to Chinese famine sample data in order to show its performance when testing the significance of gene-environment interactions.