Tests for High Dimensional Generalized Linear Models
高维广义线性模型的检验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：摘要是高维广义线性模型的通用检验研究，基因集合应用未提供所列经济学细分方向的依据。
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
高维广义线性模型的检验
- 研究问题
- 在协变量维度随样本增长的广义线性模型中，如何检验回归系数，并允许多种链接函数以及需要处理干扰参数的情况？
- 方法与思路
- 作者修改已有固定高维设置下的检验统计量，通过渐近分析构造适用于增长维度的新检验，研究两类备择下的功效及干扰参数处理。
- 材料陈述的贡献
- 摘要称新检验能适应多种链接函数，并给出渐近功效分析和含干扰参数的检验；肺癌案例展示了多个基因集合的显著性检验。
- 阅读关注点
- 应核对维度增长条件、两类备择的具体定义、干扰参数估计的影响，以及基因集合应用中单项检验与多重检验如何衔接。
- 阅读边界
- 仅依据所给Crossref摘要。摘要未给出检验形式、条件和有限样本水平；对链接函数的适应性不能直接解释为对异常值稳健。
原文摘要
Summary We consider testing regression coefficients in high dimensional generalized linear models. By modifying the test statistic of Goeman and his colleagues for large but fixed dimensional settings, we propose a new test, based on an asymptotic analysis, that is applicable for diverging dimensions and is robust to accommodate a wide range of link functions. The power properties of the tests are evaluated asymptotically under two families of alternative hypotheses. In addition, a test in the presence of nuisance parameters is also proposed. The tests can provide p-values for testing significance of multiple gene sets, whose application is demonstrated in a case-study on lung cancer.