Selective inference with unknown variance via the square-root lasso
利用平方根套索进行未知方差下的选择后推断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：摘要讨论通用高维回归的选择后推断，未提供归入特定经济应用领域的依据。
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…
利用平方根套索进行未知方差下的选择后推断
- 研究问题
- 高维回归中噪声方差未知且难以估计时，如何在变量选择后同时推断入选系数与噪声水平，并减少调参对噪声的依赖？
- 方法与思路
- 作者利用平方根套索的调参不依赖噪声水平这一性质，为入选系数构造选择后检验与置信区间，并估计模型特定的方差。
- 材料陈述的贡献
- 摘要称方法提供有效的选择后p值和置信区间，同时估计噪声方差；所报告模拟中，方差估计表现优于其他比较方法。
- 阅读关注点
- 应核对推断所针对的选择后参数、条件化事件和误差假设，以及模型特定方差的定义、区间构造与模拟比较对象。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；摘要未说明有效性的具体条件与比较设计，模拟优势不构成普遍优越性证明。
原文摘要
There has been much recent work on inference after model selection in situations where the noise level is known. However, the error variance is rarely known in practice and its estimation is difficult in high-dimensional settings. In this work we propose using the square-root lasso, also known as the scaled lasso, to perform inference for selected coefficients and the noise level simultaneously. The square-root lasso has the property that the choice of a reasonable tuning parameter does not depend on the noise level in the data. We provide valid |$p$|-values and confidence intervals for coefficients after variable selection and estimates for the model-specific variance. Our estimators perform better in simulations than other estimators of the noise variance. These results make inference after model selection significantly more applicable.