Approximate Selective Inference via Maximum Likelihood
基于最大似然的近似选择后推断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：摘要聚焦高斯模型的一般选择后推断，癌症基因表达应用未提供所列经济学领域细分的直接证据。
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
基于最大似然的近似选择后推断
- 研究问题
- 在高斯数据的模型选择之后，如何构造计算可行的近似推断，并利用随机化改善检验功效与置信区间表现？
- 方法与思路
- 作者在选择后推断框架中采用近似最大似然估计，通过凸优化构造 p 值与置信区间，减少对精确条件分布 MCMC 的需求。
- 材料陈述的贡献
- 摘要称展示了不同信噪比下的方法潜力，并在癌症基因表达数据中发现，相对部分常用选择后推断策略具有功效改善。
- 阅读关注点
- 应核对选择事件与随机化机制如何进入近似似然，以及近似误差、推断有效性和功效比较是否针对相同条件化目标。
- 阅读边界
- 仅据版本未注明的索引摘要；未说明近似推断的误差保证或具体功效数值，所述应用比较不能证明普遍优于其他方法。
原文摘要
Several strategies have been developed recently to ensure valid inference after model selection; some of these are easy to compute, while others fare better in terms of inferential power. In this article, we consider a selective inference framework for Gaussian data. We propose a new method for inference through approximate maximum likelihood estimation. Our goal is to: (a) achieve better inferential power with the aid of randomization, (b) bypass expensive MCMC sampling from exact conditional distributions that are hard to evaluate in closed forms. We construct approximate inference, for example, p-values, confidence intervals etc., by solving a fairly simple, convex optimization problem. We illustrate the potential of our method across wide-ranging values of signal-to-noise ratio in simulations. On a cancer gene expression dataset we find that our method improves upon the inferential power of some commonly used strategies for selective inference. Supplementary materials for this article are available online.