Exact Post-Selection Inference for Sequential Regression Procedures
序贯回归程序的精确选择后推断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：摘要研究通用回归变量选择后的推断，未指定因果、面板或其他所列领域应用。
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…
序贯回归程序的精确选择后推断
- 研究问题
- 研究前向逐步回归、最小角回归和 Lasso 选择变量后，如何构造考虑选择事件的检验与置信区间以控制推断误差。
- 方法与思路
- 作者在观测向量服从高斯模型时，将选择事件表达为多面体约束，再据此构造条件选择后检验及反演置信区间。
- 材料陈述的贡献
- 摘要称这些程序的选择事件可纳入统一框架，所得检验在零假设下具有有限样本精确均匀 p 值，并提供 R 包实现。
- 阅读关注点
- 应核对条件化信息、各步骤对应的目标回归参数、高斯模型及其他必要条件，以及检验反演所得区间的解释。
- 阅读边界
- 仅据所给 OpenAlex 摘要；精确性依赖高斯模型和可表达的选择事件，摘要未说明方差处理等细节，也未核验软件当前状态。
原文摘要
We propose new inference tools for forward stepwise regression, least angle regression, and the lasso. Assuming a Gaussian model for the observation vector y, we first describe a general scheme to perform valid inference after any selection event that can be characterized as y falling into a polyhedral set. This framework allows us to derive conditional (post-selection) hypothesis tests at any step of forward stepwise or least angle regression, or any step along the lasso regularization path, because, as it turns out, selection events for these procedures can be expressed as polyhedral constraints on y. The p-values associated with these tests are exactly uniform under the null distribution, in finite samples, yielding exact Type I error control. The tests can also be inverted to produce confidence intervals for appropriate underlying regression parameters. The R package selectiveInference, freely available on the CRAN repository, implements the new inference tools described in this article. Supplementary materials for this article are available online.