Estimating the false discovery rate of variable selection
变量选择的假发现率估计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：摘要聚焦通用变量选择与错误率估计，未显示经济或金融领域细分所需的直接文本依据。
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
变量选择的假发现率估计
- 研究问题
- 对 Lasso、逐步回归等模型选择程序，如何估计所选变量的假发现率，并同时考察模型复杂度变化下预测误差与选择准确性的权衡？
- 方法与思路
- 作者为高斯线性模型、高斯图模型和 model-X 等环境提出通用 FDR 估计量，研究有限样本偏差，并用自助法评估标准误。
- 材料陈述的贡献
- 摘要称在相应统计假设下，该估计量具有有限样本非负偏差；它可作为交叉验证的补充，展示预测表现与变量选择可靠性的权衡。
- 阅读关注点
- 应核对各建模环境中的假变量定义、非负偏差结论需要哪些假设、自助标准误的依据，以及复杂度参数选择时如何使用估计结果。
- 阅读边界
- 仅依据所给 Crossref 摘要；假设与估计公式未提供。FDR 估计的非负偏差不自动意味着选择程序控制 FDR，也不保证每次估计都高于真值。
原文摘要
We introduce a generic estimator for the false discovery rate of any model selection procedure, in common statistical modeling settings including the Gaussian linear model, Gaussian graphical model, and model-X setting. We prove that our method has a conservative (nonnegative) bias in finite samples under standard statistical assumptions, and provide a bootstrap method for assessing its standard error. For methods like the Lasso, forward-stepwise regression, and the graphical Lasso, our estimator serves as a valuable companion to cross-validation, illuminating the tradeoff between prediction error and variable selection accuracy as a function of the model complexity parameter.