Goodness-of-Fit Tests for High Dimensional Linear Models
高维线性模型的拟合优度检验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：摘要研究一般线性模型的诊断与显著性检验，没有所列领域细分的明确应用依据。
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
高维线性模型的拟合优度检验
- 研究问题
- 如何利用拟合后残差中的可预测信息检验低维和高维线性模型，并识别变量显著性、异方差或非线性偏离？
- 方法与思路
- 作者对 OLS 或 lasso 的缩放残差再做回归，以预测误差代理量构造检验统计量，并用模拟或参数 Bootstrap 校准。
- 材料陈述的贡献
- 摘要称，残差预测检验适用于变量或变量组显著性，并可针对多种模型误设设计；部分高维校准有理论和数值支持。
- 阅读关注点
- 应核对残差缩放与预测步骤、统计量选择、Bootstrap 的具体形式和有效性条件，以及不同误设下的功效比较。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体检验的有效条件及功效范围；所述有利比较不能推广至所有高维设计。
原文摘要
Summary We propose a framework for constructing goodness-of-fit tests in both low and high dimensional linear models. We advocate applying regression methods to the scaled residuals following either an ordinary least squares or lasso fit to the data, and using some proxy for prediction error as the final test statistic. We call this family residual prediction tests. We show that simulation can be used to obtain the critical values for such tests in the low dimensional setting and demonstrate using both theoretical results and extensive numerical studies that some form of the parametric bootstrap can do the same when the high dimensional linear model is under consideration. We show that residual prediction tests can be used to test for significance of groups or individual variables as special cases, and here they compare favourably with state of the art methods, but we also argue that they can be designed to test for as diverse model misspecifications as heteroscedasticity and non-linearity.