Hierarchical testing of variable importance
变量重要性的层级检验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：摘要讨论高维回归中的层级变量检验，未明确涉及因果识别或所列其他专门方向。
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…
关注这篇论文的作者
变量重要性的层级检验
- 研究问题
- 高维回归中预测变量高度相关且多重性削弱检验功效时，如何在变量簇与单个变量之间选择有意义的检验分辨率。
- 方法与思路
- 作者先检验全局原假设，再沿层级向较小子簇或单个变量细化，保留仍显著的最小簇，并自适应选择分辨率。
- 材料陈述的贡献
- 摘要称该程序同时控制各分辨率的族错误率；单变量层面功效与 Bonferroni–Holm 相近，较粗层面功效明显更高。
- 阅读关注点
- 应核对变量簇和层级的构造、重要性原假设、跨层级错误率保证，以及功效比较条件与数据驱动分辨率选择的有效性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模型条件和检验构造未说明，变量重要性不能直接解释为因果影响。
原文摘要
A frequently encountered challenge in high-dimensional regression is the detection of relevant variables. Variable selection suffers from instability and the power to detect relevant variables is typically low if predictor variables are highly correlated. When taking the multiplicity of the testing problem into account, the power diminishes even further. To gain power and insight, it can be advantageous to look for influence not at the level of individual variables but rather at the level of clusters of highly correlated variables. We propose a hierarchical approach. Variable importance is first tested at the coarsest level, corresponding to the global null hypothesis. The method then tries to attribute any effect to smaller subclusters or even individual variables. The smallest possible clusters, which still exhibit a significant influence on the response variable, are retained. It is shown that the proposed testing procedure controls the familywise error rate at a prespecified level, simultaneously over all resolution levels. The method has power comparable to the Bonferroni–Holm procedure on the level of individual variables and dramatically larger power for coarser resolution levels. The best resolution level is selected adaptively.