Inference After Model Selection
模型选择后的统计推断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：摘要讨论一般模型选择后推断，未指定因果、面板、时间序列或金融等所列应用方向。
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…
模型选择后的统计推断
- 研究问题
- 模型选择会为参数推断引入额外不确定性，如何在估计和推断中纳入这一过程，减少过度乐观推断与错误发现？
- 方法与思路
- 作者通过最优近似估计包含模型选择步骤的复杂统计量之均值与方差，并以渐近分析及模拟评估所提方法。
- 材料陈述的贡献
- 摘要称，该方法可考虑选择过程进行近似无偏推断，理论与模拟显示其推断有效，并在文中比较中优于常见替代方法。
- 阅读关注点
- 应核对最优近似的目标、模型选择规则和适用统计量，以及近似无偏的含义与推断有效性的具体标准。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；选择规则、正则条件及比较结果未说明，不能据此声称对任意选择程序均有效。
原文摘要
Typical modeling strategies involve model selection, which has a significant effect on inference of estimated parameters. Common practice is to use a selected model ignoring uncertainty introduced by the process of model selection. This could yield overoptimistic inferences, resulting in false discovery. In this article we develop a general methodology via optimal approximation for estimating the mean and variance of complex statistics that involve the process of model selection. This allows us to make approximately unbiased inferences, taking into account the selection process. We examine the operating characteristics of the proposed methodology via asymptotic analyses and simulations. These results show that the proposed methodology yields correct inferences and outperforms common alternatives.