Adjusting the Benjamini–Hochberg method for controlling the false discovery rate in knockoff-assisted variable selection
调整Benjamini–Hochberg方法以控制knockoff变量选择的错误发现率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：摘要讨论通用回归变量选择与多重检验，未明确关联给定的因果、宏观或金融细分领域。
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…
关注这篇论文的作者
调整Benjamini–Hochberg方法以控制knockoff变量选择的错误发现率
- 研究问题
- 在多元回归的knockoff变量选择框架中，如何调整基于p值的多重检验，使其控制错误发现率且无需指定解释变量的相关结构？
- 方法与思路
- 作者将Benjamini–Hochberg方法及其自适应版本调整到knockoff多重检验框架，构造有效的p值程序，并以模拟和数据应用比较。
- 材料陈述的贡献
- 摘要称，调整后的方法能够控制错误发现率；模拟与应用显示，它们相较已有knockoff程序具有竞争力的检验功效。
- 阅读关注点
- 应核对p值构造、knockoff生成要求、多重检验依赖条件及自适应调整规则，并查看功效比较覆盖的设计和基准方法。
- 阅读边界
- 仅据所给Crossref摘要，无法判断错误发现率保证的具体条件和功效差异；无需指定相关结构不代表无需其他分布信息。
原文摘要
Summary We consider the knockoff-based multiple testing set-up of Barber & Candès (2015). for variable selection in multiple regression. The method of Benjamini & Hochberg (1995) and an adaptive version of it are adjusted to this set-up, transforming them to valid $p$-value-based, false discovery rate-controlling methods that do not rely on specifying the correlation structure of the explanatory variables. Simulations and real data applications show that the proposed methods are powerful competitors of the false discovery rate-controlling method of Barber & Candès (2015).