Uniformly valid confidence intervals post-model-selection
模型选择后具有一致有效性的置信区间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：摘要研究通用选择后推断，二元回归示例不足以确定经济学离散选择方向。
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…
模型选择后具有一致有效性的置信区间
- 研究问题
- 当工作模型由数据选择且候选模型可能误设时，如何针对各模型自身的推断目标构造渐近一致有效的选择后置信区间？
- 方法与思路
- 作者建立一般区间构造理论，再应用于固定设计的同方差或异方差线性模型及一般链接函数二元回归，并进行模拟比较。
- 材料陈述的贡献
- 摘要称区间覆盖保证适用于任意数据驱动的模型选择程序，并允许候选模型误设；模拟中表现良好，但未给出具体覆盖数值。
- 阅读关注点
- 应核对模型特定推断目标的定义、一致有效性覆盖的分布范围，以及候选模型集合、区间宽度和选择后实现所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要陈述的是渐近覆盖，具体条件未列出，不能推断任意有限样本下都有保证。
原文摘要
We suggest general methods to construct asymptotically uniformly valid confidence intervals post-model-selection. The constructions are based on principles recently proposed by Berk et al. (Ann. Statist. 41 (2013) 802–837). In particular, the candidate models used can be misspecified, the target of inference is model-specific, and coverage is guaranteed for any data-driven model selection procedure. After developing a general theory, we apply our methods to practically important situations where the candidate set of models, from which a working model is selected, consists of fixed design homoskedastic or heteroskedastic linear models, or of binary regression models with general link functions. In an extensive simulation study, we find that the proposed confidence intervals perform remarkably well, even when compared to existing methods that are tailored only for specific model selection procedures.