.png){kind=icon}
返回
IMPROVING KNOCKOFFS WITH CONDITIONAL CALIBRATION
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOS2543.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
(Ann. Statist. 43 (2015) 2055-2085)中的knockoff滤波器是一种灵活的框架，用于监督学习模型中的多重检验，其通过引入合成预测变量来控制错误发现率（FDR）。利用(Ann. Statist. 50 (2022) 3091-3118)中的条件校准框架，我们引入了校准knockoff方法，这是一种能够一致提升任何固定-X或模型-X knockoff方法功效的方法。我们从理论和实证上证明，该改进在两种knockoff方法可能几乎无效的情境中尤为显著：当拒绝集较小时，以及当固定-X knockoff的设计矩阵结构妨碍我们构建优质knockoff变量时。在这些情境下，校准knockoff方法甚至在许多情况下优于其他FDR控制方法，如（依赖调整的）Benjamini-Hochberg程序。
Keyword:
Multiple hypotheses testing
linear model
knockoffs
期刊
IF:
3.7
论文数:
2.8K
被引数:
2.9W
机构
引用论文
Adjusting the Benjamini–Hochberg method for controlling the false discovery rate in knockoff-assisted variable selection.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏
查看更多内容