Inference in adaptive regression via the Kac–Rice formula
利用 Kac–Rice 公式进行自适应回归推断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：摘要提供一般自适应回归检验框架，所举正则化问题不足以指向所列经济计量细分领域。
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…
利用 Kac–Rice 公式进行自适应回归推断
- 研究问题
- 在数据自适应的正则化回归中，如何对全局零假设构造有效检验，并在高斯误差下获得有限样本精确的 p 值？
- 方法与思路
- 作者将 Kac–Rice 公式用于高斯过程最大化问题，构造检验统计量，并考察 lasso、group lasso、主成分及矩阵补全。
- 材料陈述的贡献
- 摘要称，高斯误差下统计量的有限样本分布已知，可统一构造多类正则化问题的有效检验；部分设定下功效低于已有方法。
- 阅读关注点
- 应核对全局零假设的定义、高斯过程构造与正则条件，以及不同问题中的统计量计算和有限样本精确性适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；精确性明确依赖高斯误差，不能推出非高斯适用性、普遍功效优势或刊本变化。
原文摘要
We derive an exact $p$-value for testing a global null hypothesis in a general adaptive regression setting. Our approach uses the Kac–Rice formula [as described in Random Fields and Geometry (2007) Springer, New York] applied to the problem of maximizing a Gaussian process. The resulting test statistic has a known distribution in finite samples, assuming Gaussian errors. We examine this test statistic in the case of the lasso, group lasso, principal components and matrix completion problems. For the lasso problem, our test relates closely to the recently proposed covariance test of Lockhart et al. [Ann. Statist. (2004) 42 413–468]. In a few specific settings, our proposed tests will be less powerful than other previously known (and well-established) tests. However, it should be noted that the real strength of our proposal here is its generality. We provide a framework for constructing valid tests across a wide class of regularized regression problems, and as far as we can tell, such a unified view was not possible before this work.