Selective inference with a randomized response
基于随机化响应的选择后推断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：摘要聚焦一般模型选择后的统计推断，虽借鉴差分隐私思想，但未提供与所列经济计量细分方向直接对应的证据。
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
基于随机化响应的选择后推断
- 研究问题
- 模型选择时对响应作随机化，能否改善选择后有效检验的功效，并使一致估计、弱收敛及非参数推断成为可能？
- 方法与思路
- 作者借鉴样本分割与可重复使用留出集，在独立抽样下建立选择性中心极限定理，并提出合并多个随机化选择程序的推断框架。
- 材料陈述的贡献
- 摘要称，随机化选择可提高选择后有效检验的功效，并将无选择时的渐近正态推断转移到选择后情形，支持非参数应用。
- 阅读关注点
- 应核对随机化机制与选择事件、中心极限定理的条件，以及功效比较对象和组合多个选择程序时的推断构造。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；研究聚焦经典渐近框架，高维渐近问题明确留待后续，不能声称已有高维保证。
原文摘要
Inspired by sample splitting and the reusable holdout introduced in the field of differential privacy, we consider selective inference with a randomized response. We discuss two major advantages of using a randomized response for model selection. First, the selectively valid tests are more powerful after randomized selection. Second, it allows consistent estimation and weak convergence of selective inference procedures. Under independent sampling, we prove a selective (or privatized) central limit theorem that transfers procedures valid under asymptotic normality without selection to their corresponding selective counterparts. This allows selective inference in nonparametric settings. Finally, we propose a framework of inference after combining multiple randomized selection procedures. We focus on the classical asymptotic setting, leaving the interesting high-dimensional asymptotic questions for future work.