Controlling the false discovery rate in high-dimensional linear models using model-X knockoffs and $p$-values
结合 model-X knockoffs 与 p 值的高维线性模型 FDR 控制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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论高维线性模型的 FDR 控制与检验方法，属于计量与统计方法学，未直接对应所提供的因果推断、面板、时间序列或金融等细分领域。
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…
结合 model-X knockoffs 与 p 值的高维线性模型 FDR 控制
- 研究问题
- 摘要称，研究如何在高维线性模型中控制错误发现率（FDR），并在设计矩阵存在一般相依性时兼顾检验功效。
- 方法与思路
- 作者提出将 model-X knockoff 技术与去偏惩罚回归估计量结合，构造两组自然配对的高维检验统计量及相应 p 值，并利用配对结构设计两步程序以提升功效。
- 材料陈述的贡献
- 摘要称，第一组统计量渐近相互独立，从而支持使用 Benjamini-Hochberg 程序；理论结果给出渐近 FDR 控制性质，并刻画两步程序的功效增益；框架允许设计矩阵的一般相依性。
- 阅读关注点
- 应核对渐近独立性所需的正则条件、去偏估计与 knockoff 构造的具体假设、两步程序的实现与阈值选择，以及模拟设定是否覆盖摘要所称的弱信号、小样本和低目标 FDR 情形。
- 阅读边界
- 仅凭摘要无法判断定理条件是否现实、证明是否完整、模拟是否可复现，也无法核实与既有方法的比较是否公平；摘要未说明具体数据或实证应用。
原文摘要
We propose a novel multiple testing methodology for controlling the false discovery rate (FDR) in high-dimensional linear models that integrates model-X knockoff techniques with debiased penalized regression estimators. At the foundation of our methodology, we construct and study two sets of naturally paired high-dimensional test statistics and the associated $p$-values for evaluating the same null hypotheses. The first set is shown to be asymptotically mutually independent, justifying the use of the Benjamini-Hochberg procedure. We further exploit the pairing structure through a two-step procedure aimed at improving power. Our theoretical results establish the key properties of the framework with respect to asymptotic FDR control and formally characterize the associated power gains of the two-step procedure. Importantly, our framework accommodates general dependence in the design matrix. Extensive simulations demonstrate that our methods outperform existing approaches -- particularly those relying on empirical FDP estimates -- in both power and FDR control accuracy, with notable gains in settings involving weaker signals, small sample sizes, or low target FDR levels.