模型选择后的最优推断
研究了基于随机响应的选择推断,包括两个主要优点:更强大的选择有效检验和选择推断程序的一致估计和弱收敛。提出了一个框架,结合多个随机选择程序后的推断,并在经典渐近设置下进行了重点研究。
Jul, 2015
本研究提出了一种名为 “后双重选择” 的新型估计方法和统一的有效推断方法,用于控制干扰因素对治疗效果的影响。该方法相对于标准后模型选择估计器的优点在于它允许控制点的不完美选择,并提供跨模型的有效置信区间。
Dec, 2011
我们提出了一种通用的模型选择后有效推断方法,通过一个结果对选择事件条件下的后选估计分布进行刻画,并将其专门应用于基于套索算法的模型选择中,形成了有效的系数置信区间,并测试了是否已将所有相关变量包含在模型中。
Nov, 2013
关于如何在自适应数据分析中保证统计推断的有效性的研究,使用隐私保护技术协调估计值,并在估计指数数量的期望时取得了指数级的改进,适用于多重假设检验和虚假发现率控制。
Nov, 2014
针对误差关键的机器学习应用中存在的可能放弃预测(或选择性预测)的问题,本研究在非参数异方差回归问题上提出了一种通过对给定点上的条件方差值进行假设检验的放弃过程。与已有方法不同,提出的方法不仅考虑方差本身的值,还考虑相应方差预测器的不确定性。我们对得出的估计器的风险证明了非渐进界限,并展示了多个不同的收敛模式。理论分析通过一系列的模拟和真实世界数据实验进行了说明。
Sep, 2023
我们提出了一种方法来减少计算成本,同时保证所需的精度,通过计算 p 值的上下界,并提出了三种有效提升这些界限的搜索策略。我们在线性模型的特征选择和深度神经网络中的注意区域识别的假设检验问题中展示了该方法的有效性。
Jul, 2023
讨论了固定样本量和顺序设定下的多重假设检验问题,并分别导出了二元假设检验和多重假设检验的误差指数的下限和上限,并探讨了过去信息和随机化在设计最优控制策略中的作用。
May, 2012
基于 Neyman 的正交阵,我们开发了一种方法来产生高维稀疏中位数回归模型中回归系数的一致有效的置信区间,同时我们将所提出的估计器的渐近正常分布性扩展到所有特定目标参数并建立一致的渐近正常性以及同时置信带。
Apr, 2013
在顺序实验中,通过使用自适应增广逆概率加权估计量和倾向得分截断技术,我们提出了一种有效的平均处理效应推断方法,能够在变动的样本规模下进行推断并具有较窄的置信区间。
Nov, 2023