Exact selective inference with randomization
随机化选择后的精确推断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：摘要研究通用选择后推断，未提供与所列经济学或金融细分方向直接对应的证据。
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…
随机化选择后的精确推断
- 研究问题
- 在数据驱动的模型选择中引入随机化后，如何构造精确且具有闭式表达的推断，并评估其与近似推断及数据拆分的功效权衡？
- 方法与思路
- 作者提出选择后推断枢轴，将高斯回归中的问题化为二元截断高斯变量的推断，并通过模拟和 HIV 耐药数据研究表现。
- 材料陈述的贡献
- 摘要称枢轴支持高斯回归中的精确推断，区间始终短于一种相关数据拆分程序，但相较所述近似最大似然方法损失部分功效。
- 阅读关注点
- 应核对随机化机制、选择事件与条件化对象，确认精确性依赖的高斯条件，以及区间长度比较涉及的具体数据拆分程序。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将区间长度优势推广至所有拆分方法或非高斯模型；随机化分布和功效损失幅度均未说明。
原文摘要
Summary We introduce a pivot for exact selective inference with randomization. Not only does our pivot lead to exact inference in Gaussian regression models, but it is also available in closed form. We reduce this problem to inference for a bivariate truncated Gaussian variable. By doing so, we give up some power that is achieved with approximate maximum likelihood estimation in Panigrahi & Taylor (2023). Yet our pivot always produces narrower confidence intervals than a closely related data-splitting procedure. We investigate the trade-off between power and exact selective inference on simulated datasets and an HIV drug resistance dataset.