Selective inference after feature selection via multiscale bootstrap
在回归中显示所选特征或预测变量的置信区间或$p$值是很常见的，但它们通常涉及选择偏倚。选择性推理方法通过对选择事件进行条件化来解决这种偏差。大多数现有的选择性推理研究考虑一个特定的算法，如Lasso，用于特征选择，因此他们在处理更复杂的算法时有困难。此外，现有的研究经常考虑不必要的限制性事件，导致过度调节和较低的统计功效。我们的新的和广泛适用的restaurant方法，通过多尺度引导解决这些问题，计算一个近似无偏的选择$p$值为选定的功能。作为所提出的方法的简化，我们还开发了一个更简单的方法，通过经典的自助。我们证明了我们的多尺度bootstrap方法计算的$p$值比经典bootstrap方法更准确。此外，数值实验表明，我们的算法，即使是更复杂的特征选择方法，如非凸正则化。
2022-06-01 stat.ME
Selective inference for k-means clustering
我们考虑的问题，通过k-均值聚类确定的观察集群之间的差异的均值测试。在这种情况下，经典的假设检验会导致第一类错误率的膨胀。为了克服这个问题，我们采取了选择性推理的方法。我们提出了一个有限样本的p值，控制选择性第一类错误的一对集群之间的差异，使用k-均值聚类的测试，并表明，它可以有效地计算。我们将我们的建议应用于模拟，手写数字数据和单细胞RNA测序数据。
2022-03-29 stat.ME stat.ML
Tree-Values: selective inference for regression trees
我们考虑对分类和回归树（CART）的输出进行推断[Breiman等人，1984]算法。一种不考虑树是从数据中估计出来的这一事实的朴素推理方法将无法实现标准保证，例如类型1错误率控制和标称覆盖率。因此，我们提出了一个选择性的推理框架进行推理的拟合CART树。简而言之，我们的条件是树是从数据中估计出来的。我们提出了一个测试的平均响应之间的差异对终端节点控制的选择性类型1的错误率，和一个置信区间内的平均响应在一个单一的终端节点，达到标称的选择性覆盖。提供了计算必要条件集的有效算法。我们将这些方法应用于模拟和涉及部分控制干预措施和热量摄入之间的关联的数据集。
2022-10-17 stat.ME stat.ML
Exact Selective Inference with Randomization
本文提出一种闭式枢轴量，将随机化下的精确选择性推断简化为二元截断高斯分布，虽牺牲部分功效，但产生更窄置信区间，并在模拟和HIV数据上验证权衡。
2023-12-23 stat.CO stat.ME stat.ML
Black-box Selective Inference via Bootstrapping
本文提出利用 bootstrap 反复运行黑箱选择算法以估计选择概率和条件数据分布，从而在无精确选择事件刻画时实现条件选择性推断，并给出理论保证。
2023-08-20 stat.ME stat.ML
Enhancing Statistical Validity and Power in Hybrid Controlled Trials: A Randomization Inference Approach with Conformal Selective Borrowing
本文提出随机化推断框架结合共形选择性借用方法，在混合对照试验中实现有限样本精确的第I类错误率控制并提高检验效能，通过理论分析、模拟和肺癌试验应用验证其有效性。
2025-05-07 stat.ME
Distributed Selective Inference for Quantile Regression
School of Mathematics and Statistics, Changchun University of Technology（长春工业大学数学与统计学院）
针对高维分位数回归的后选择推断难题，提出仅需三轮通信的分布式选择性推断框架，通过响应替代策略处理非光滑分位数损失，经模拟与实际数据验证其有限样本性能良好。
2026-09-15 stat.AP stat.ME
Selective conformal inference with false coverage-statement rate control
针对仅对测试集中被选个体报告预测区间的问题，本文提出 SCOP 选择性条件保形预测框架，在可交换性及更一般条件下提供 FCR 控制和非渐近覆盖保证，并生成更窄区间。
2024-03-12 stat.ME
Inference for Sparse and Dense Functional Data with Covariate Adjustments
我们考虑使用局部线性核（LLK）估计协变量调整的函数数据的均值和协方差函数的推断。通过双重渐近，我们区分稀疏和密集协变量调整的函数数据-取决于m（每个函数的离散化点）和n（函数的数量）的相对顺序。我们的模拟结果表明，现有的渐近正态性的结果可能会导致严重的误导性推断在有限样本。我们解释这种现象的基础上，我们的理论结果，并提出有限样本校正，提供了实际有用的近似推理稀疏和密集的数据场景。我们的理论结果的相关性展示使用真实数据的应用程序。
2018-02-27 stat.ME
Selective and marginal selective inference for exceptional groups
针对多群体研究中选择性推断导致置信区间期望宽度无穷大的问题，提出选择调整的经验贝叶斯方法，在保证有限期望宽度的同时实现近似选择性覆盖控制。
2025-09-16 math.ST stat.ME stat.TH
Selective inference with a randomized response
受样本分裂和差分隐私领域中引入的可重用的holdout的启发，我们考虑了随机响应的选择性推理。我们讨论了两个主要的优势，使用随机响应模型选择。首先，选择性有效性检验在随机选择后更有效。其次，它允许一致的估计和弱收敛的选择性推理过程。在独立抽样下，我们证明了一个选择性（或私有化）的中心极限定理，转移程序有效的渐近正态性下，没有选择到相应的选择对应。这允许在非参数设置中进行选择性推断。最后，我们提出了一个框架的推理后，结合多个随机选择过程。我们专注于经典的渐近设置，留下有趣的高维渐近问题，为今后的工作。
2016-11-30 math.ST stat.TH
Selective inference for the problem of regions via multiscale bootstrap
对多元正态模型的参数空间中表示为任意形状区域的原假设，给出了一种选择性推断的一般假设检验方法.这种方法对于层次聚类是有用的，其中聚类的置信水平仅针对出现在树状图中的聚类来计算，因此受到严重的选择偏差。我们的计算是基于一个原始的置信度，称为自举概率，这是很容易通过计算有多少次相同的集群出现在自举复制的树状图。我们利用抽象参数空间中区域的几何量，即符号距离和中曲率的标度律来调整自举概率的偏差。虽然这一思想已被用于非选择性推理的层次聚类，其选择性推理版本还没有在文献中讨论。我们的偏差校正后的$p$值在区域光滑边界表面的大样本理论中具有渐进二阶精度，并且它们对于非光滑表面（例如多面体圆锥）也是合理的。的$p$ -值是渐近等价的迭代引导，但具有更少的计算。
2018-03-27 math.ST stat.ME stat.TH
Asymptotically-exact selective inference for quantile regression
针对模型选择后的可靠推断问题，本文提出基于平滑分位数回归与外部随机化的渐近精确选择性推断枢轴量，无需分布假设与数据拆分，模拟和真实数据实验均验证其覆盖率达标且区间更短。
2025-02-20 math.ST stat.ME stat.TH
Optimal Inference After Model Selection
为了在模型选择之后执行推理，我们提出控制选择性I类错误;即，测试的差错率。通过这样做，我们恢复长期运行的频率特性之间选定的假设类似于那些适用于经典（非自适应）的上下文中。我们的建议与数据分割密切相关，并且具有类似的直观理由，但更强大。利用Lehmann和Scheffé（1955）的经典理论，我们得到了指数族模型在任意选择过程后的最有效的无偏选择检验和推断的置信区间。对于线性回归，我们推导出新的选择性z-检验，概括了最近的建议，推断模型选择后，提高他们的权力，和新的选择性t-检验，不需要知识的误差方差。
2017-04-18 math.ST stat.ME stat.TH
Selective Inference in Graphical Models via Maximum Likelihood
KU Leuven（鲁汶大学）；University of Michigan（密歇根大学）
该研究针对图套索推断边值函数时缺乏统计保证的问题，提出带随机化的选择性推断方法，通过条件最大似然实现有效区间估计与假设检验，效果优于数据拆分。
2026-08-26 stat.AP stat.CO stat.ME
Selective Inference for Sparse Multitask Regression with Applications in Neuroimaging
本文针对神经影像中多任务稀疏回归问题提出选择性推断框架，通过细化选择事件构造可解的选择调整似然，实现有效置信区间，并在ABCD数据上验证其优于数据拆分方法。
2023-08-10 stat.AP stat.ME stat.ML
Functional Post-Clustering Selective Inference with Applications to EHR Data Analysis
University of Pennsylvania（宾夕法尼亚大学）；Vanderbilt University（范德堡大学）；Duke University（杜克大学）
本文针对聚类后数据的选择偏差问题，提出适用于纵向数据的选择性推断方法，经模拟及AKI的EHR数据验证可调整偏差、控制错误率，具应用优势。
2026-08-18 stat.AP stat.CO stat.ME
Selective Inference for Change Point Detection in Multi-dimensional Sequences
我们研究的问题，检测变化点（CP），其特征在于在一个多维序列中的一个子集的尺寸。用于检测这些CP的方法可以被公式化为两阶段方法：一个用于选择相关维度，另一个用于选择CP。由于必须适当地校正每个阶段中的选择偏差，因此难以适当地控制这些CP检测方法的错误检测概率。我们在本文中的主要贡献是制定一个CP检测问题作为一个选择性的推理问题，并表明，精确（非渐近）推理是可能的一类CP检测方法。我们通过数值模拟和它的应用程序，我们的激励医疗数据分析问题的建议选择性推理框架的性能。
2018-03-02 stat.ML
Exact Statistical Inference for the Wasserstein Distance by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
在本文中，我们研究了瓦瑟斯坦距离的统计推断，这已经引起了广泛的关注，并已被应用于各种机器学习任务。文献中已经提出了一些研究，但几乎所有的研究都是基于渐近近似，不具有有限样本有效性。在这项研究中，我们提出了一个精确的（非渐近）推理方法的瓦瑟斯坦距离的启发条件选择性推理（SI）的概念。据我们所知，这是第一个方法，可以提供一个有效的置信区间（CI）的瓦瑟斯坦距离有限样本覆盖保证，这不仅可以应用于一维问题，但也适用于多维问题。我们评估所提出的方法在合成和真实世界的数据集上的性能。
2022-01-20 cs.LG stat.ML
Computing Valid p-value for Optimal Changepoint by Selective Inference using Dynamic Programming
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
有大量的文献涉及检测变点（CP）的方法。然而，较少注意已支付的检测CP的统计可靠性评估。在本文中，我们介绍了一种新的方法来执行统计推断的重要性的CP，估计的动态规划（DP）为基础的最佳CP检测算法。基于选择性推理（SI）框架，我们提出了一种精确（非渐近）的方法来计算有效的p值，用于检验CP的显著性。虽然众所周知，SI具有低的统计功效，因为过度调节，我们解决这个缺点，通过引入参数编程技术。然后，我们提出了一种有效的方法进行SI与最小量的条件，导致高统计功效。我们在合成数据集和真实数据集上进行了实验，通过这些实验，我们证明了我们提出的方法比现有方法更强大，在计算效率方面具有良好的性能，并在许多实际应用中提供了良好的结果。
2021-02-22 cs.LG stat.ME stat.ML
Conformalized Large-Scale Selective Inference with Informative and Trustworthy Prediction Sets
School of Statistics, Beijing Normal University（北京师范大学统计学院）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
提出SCIP方法，通过信息性集构造器、信任评分和广义共形p值，在控制错误覆盖率的同时选择信息性预测集，适用于回归和分类任务。
2026-05-26 math.ST stat.ME stat.TH
Selective Inference Approach for Statistically Sound Predictive Pattern Mining
从数据库中发现统计上显著的模式是一个重要的挑战性问题。这个问题的主要障碍是难以考虑选择偏差，即，偏见是从数据库中大量的候选模式中选择出来的。在本文中，我们介绍了一种新的预测模式挖掘问题，可以解决选择偏差的问题。我们的方法是建立在最近流行的统计推断框架称为选择性推理。在选择性推断中，基于选择事件条件下的抽样分布进行统计推断（例如统计假设检验）。如果选择事件以易于处理的方式表征，则可以进行统计推断而无需考虑选择偏倚问题。然而，在模式挖掘问题中，很难刻画挖掘算法的整个选择过程。本文的主要贡献是通过引入一种新的算法框架来解决一类预测模式挖掘问题的这一具有挑战性的问题。我们证明，我们的方法是有用的，从数据库中找到统计上显着的模式。
2016-03-09 stat.ML
Locally Simultaneous Inference
本文提出局部同时推断方法，通过只回答观测数据下可能被提出的问题，在保持严格第I类错误保证的同时降低保守性，并严格优于基础同时推断方法。
2024-05-02 math.ST stat.ME stat.TH
Valid and Exact Statistical Inference for Multi-dimensional Multiple Change-Points by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（日本理化学研究所）
本文研究了多维序列中变点的统计推断。在从多维序列的CP检测中，通常期望不仅检测位置，而且识别其中发生变化的分量的子集。已经提出了几种算法，这样的问题，但没有有效的精确推理方法已被建立，以评估检测到的位置和组件的统计可靠性。在这项研究中，我们提出了一种方法，可以保证检测到的变化的位置和组件的统计可靠性。我们证明了所提出的方法的有效性，将其应用到基因组异常识别和人类行为分析的问题。
2021-10-18 cs.LG stat.ML
More Powerful and General Selective Inference for Stepwise Feature Selection using the Homotopy Continuation Approach
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
条件选择性推理作为一种新的数据驱动假设的统计推断框架，已经得到了广泛的研究。条件SI的基本思想是使推理以一组线性和/或二次不等式为特征的选择事件为条件。条件SI主要在特征选择的背景下进行研究，例如逐步特征选择（SFS）。现有的条件SI方法的主要限制是由于过度调节而导致的功率损失，这是计算易处理性所必需的。在这项研究中，我们开发了一个更强大的和一般的条件SI方法SFS使用同伦方法，使我们能够克服这一限制。基于同伦的SI对于更复杂的特征选择算法特别有效。作为一个例子，我们开发了一个有条件的SI方法与AIC为基础的停止标准的前向-后向SFS，并表明它不会受到算法复杂性增加的不利影响。我们进行了几个实验来证明所提出的方法的有效性和效率。
2021-04-22 cs.LG stat.ML
Statistical Inference in Reinforcement Learning: A Selective Survey
London School of Economics and Political Science（伦敦政治经济学院）
本文选择性综述强化学习（RL）中的统计推断工具，涵盖假设检验与置信区间构建，强调其对统计学和机器学习社区的价值，推动经典统计推断工具在RL领域的应用。
2025-04-17 cs.LG stat.ML
Computing Valid p-values for Image Segmentation by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；National Institute for Material Science（国立材料科学研究所）
图像分割是计算机视觉最基本的任务之一。在许多实际应用中，正确评估单个分割结果的可靠性是至关重要的。在本研究中，我们提出了一个新的框架，以p值的形式提供分割结果的统计显着性。具体来说，我们考虑一个统计假设检验，用于确定对象和背景区域之间的差异。这个问题具有挑战性，因为由于分割算法对数据的适应性，差异可能会很大（称为分割偏差）。为了克服这一困难，我们引入了一种称为选择性推理的统计方法，并开发了一个框架来计算有效的p值，其中分割偏差得到了适当的考虑。虽然所提出的框架是潜在的适用于各种分割算法，我们专注于本文的基于图切割和基于阈值的分割算法，并开发了两种具体的方法来计算有效的p值的分割结果，这些算法。我们证明了这两种方法的理论有效性，并通过将其应用于医学图像分割问题来展示其实用性。
2019-12-09 cs.CV cs.LG math.ST
Quantifying Statistical Significance of Neural Network-based Image Segmentation by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）；Nagoya University（名古屋大学）
尽管大量文献涉及使用深度神经网络（DNN）的图像分割方法，但较少关注评估分割结果的统计可靠性。在这项研究中，我们将分割结果解释为DNN驱动的假设（称为DNN驱动的假设），并提出了一种方法，通过该方法在统计假设测试框架内量化这些假设的可靠性。具体地说，我们考虑一个统计假设测试对象和背景区域之间的差异。这个问题是具有挑战性的，因为由于DNN对数据的适应性，差异会虚假地大。为了克服这一困难，我们引入了一个条件选择性推理（SI）框架-一个新的统计推断框架的数据驱动的假设，最近受到了相当大的关注-计算精确的（非渐近）有效的p值的分割结果。为了将条件SI框架用于基于DNN的分割，我们开发了一种基于同伦方法的新SI算法，该算法使我们能够推导出DNN驱动假设的精确（非渐近）采样分布。我们在合成和真实世界的数据集上进行了实验，通过这些实验，我们提供了证据，证明我们提出的方法可以成功地控制假阳性率，在计算效率方面具有良好的性能，并且在应用于医学图像数据时提供了良好的结果。
2022-12-14 cs.CV cs.LG stat.ML
Bounded P-values in Parametric Programming-based Selective Inference
Nagoya University（名古屋大学）；Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
本研究针对参数规划选择性推断的高计算成本问题，提出计算p值上下界的方法及三种搜索策略，在保证精度的同时降低计算成本，并在特征选择和注意力区域识别中验证有效性。
2023-12-28 cs.LG stat.ML
Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions
Department of Biostatistics, Vanderbilt University Medical Center（生物统计学系，范德比尔特大学医学中心）；Department of Informatics, King’s College London（信息学系，伦敦国王学院）；Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心）
该研究提出部分因果学习方法，用于在干预下有效选择性符合推断，通过学习部分因果结构来提高覆盖精度。
2026-07-10 cs.LG stat.ML
Statistical Testing for Multiple Instance Learning via Selective Inference with Applications to Computational Pathology
本文提出基于选择性推断的统计检验框架，用于评估注意力MIL中高注意力实例的显著性，在合成、MNIST及病理WSI数据上实现I型错误控制并提升统计功效。
2026-09-29 cs.CV cs.LG stat.ML
Sparse Group Lasso: Optimal Sample Complexity, Convergence Rate, and Statistical Inference
University of Pennsylvania（宾夕法尼亚大学）；Duke University（杜克大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
我们研究了高维双稀疏线性回归的稀疏群Lasso，其中感兴趣的参数同时是元素和群稀疏的。这个问题是同时结构化模型的一个重要实例，同时结构化模型是统计学和机器学习中一个积极研究的课题。在无噪声的情况下，匹配的上界和下界的样本复杂度分别建立了稀疏向量的精确恢复和近似稀疏向量的稳定估计。在有噪声的情况下，估计误差的上限和匹配的极大极小下界。我们还考虑了去偏稀疏群Lasso，并研究了它的渐近性质，以便进行统计推断。最后，数值研究提供了支持的理论结果。
2022-05-07 cs.LG math.ST stat.ML
Scalable Inference of Sparsely-changing Markov Random Fields with Strong Statistical Guarantees
University of Michigan（密歇根大学）；University of Southern California（南加州大学）
在本文中，我们研究的问题，推断时变马尔可夫随机场（MRF），其中底层的图形模型是稀疏的，随着时间的推移变化稀疏。大多数用于推断时变MRF的现有方法依赖于正则化最大似然估计（MLE），其通常遭受弱统计保证和高计算时间。相反，我们引入了一类新的约束优化问题的推理稀疏变化的MRF。提出的优化问题是制定基于精确的$\ell_0$正则化，并可以解决在近线性的时间和内存。此外，我们表明，该估计享有可证明的小估计误差。作为一个特殊的情况下，我们推导出尖锐的统计保证稀疏变化的高斯MRF（GMRF）在高维制度的推断，表明这样的问题可以学习少到一个样本每一次。我们提出的方法在实践中非常有效：它可以在不到一个小时的时间内准确地估计具有超过5亿个变量的稀疏变化的图形模型。
2021-02-06 cs.LG stat.CO stat.ML
Online selective conformal inference: adaptive scores, convergence rates and optimality
本文提出 OnlineSCI 算法，通过自适应更新实现在线选择性推断，提供收敛速率和最优性保证。
2026-09-01 math.ST stat.ML stat.TH
Robust Estimation and Inference with Selective Borrowing in Hybrid Controlled Trials: A Tutorial with SelectiveIntegrative and intFRT
North Carolina State University（北卡罗来纳州立大学）；Duke University（杜克大学）
本文提出混合对照试验中利用外部对照进行选择性借用的工作流程，通过SelectiveIntegrative和intFRT包实现稳健估计与推断，提高效率并保证推断有效性。
2026-07-01 stat.ME
Selective Inference in Propensity Score Analysis
选择性推理（后选择推理）是近年来在统计学和机器学习领域引起广泛关注的一种方法。基于也用于模型选择的数据的朴素推理往往会显示出高估，因此选择性推理会影响模型被选择的事件。在本文中，我们发展了选择性推理的倾向得分分析与半参数的方法，这已成为一个标准的工具，因果推断。具体来说，对于最基本的因果推断模型，其中的因果效应可以写为一个线性和的混杂变量，我们进行拉索型变量选择，通过添加一个$\ell_1$惩罚项的损失函数，给出了一个半参数估计。然后给出所选混杂变量的系数的置信区间，以变量选择事件为条件，具有渐近保证。这种方法的一个重要特性是它不需要对结果变量的非参数回归函数建模，而半参数倾向得分分析通常是这种情况。
2021-11-24 stat.ME
Selective Inference for Sparse Graphs via Neighborhood Selection
针对稀疏图邻域选择估计缺乏不确定性度量的问题，提出基于外部随机化的选择性推断方法，精确调整边选择事件，实现有效推断，提升功效与精度。
2023-12-27 stat.ME
An MCMC-free approach to post-selective inference
我们开发了一个无蒙特卡罗的方法来推断后输出的随机算法与凸损失和凸惩罚。基于截断律的主元统计量称为选择主元，通常缺乏封闭形式的表达式。在这些设置中的推断依赖于在参考参数处的标准蒙特卡罗采样技术，随后是在参考处的指数倾斜。然而，对于远离参考参数的参数，倾斜可能不稳定。在本文中，我们提供了另一种方法来建设的区间和点估计，提出了一个近似的棘手的选择枢轴。这种近似解决了|E|维度上的凸优化问题，其中|E|是从选择中观察到的活动集的大小。我们的经验表明，置信区间通过反演近似枢轴有有效的覆盖。
2017-05-18 stat.ME
Methods of Selective Inference for Linear Mixed Models: a Review and Empirical Comparison
本文综述了线性混合模型中固定效应选择后的选择性推断方法，通过模拟和真实生物数据比较其性能与计算可行性，发现变量增多时方法稀缺，样本分割最可靠。
2025-03-12 stat.ME
Selective inference after cross-validation
本文描述了一种方法，用于执行推理的模型选择交叉验证。当在交叉验证中被最小化的测试误差是残差平方和时，它可以被写为二次型。这使我们能够将Loftus等人（2015）中的推理框架应用于由二次约束确定的模型，以最大限度地减少CV检验误差。我们对模型训练过程的唯一要求是它的选择事件是满足线性或二次约束的区域。这包括Lasso和forward stepped，它们是我们贯穿全文的主要示例。我们不需要知道误差方差$σ^2$。这里描述的过程是自适应地选择模型并对所选模型执行推理的计算密集型方法。实现在R包中可用。
2015-11-28 stat.ME
Unifying approach to selective inference with applications to cross-validation
我们开发的工具做有效的后选择推理的一个家庭的模型选择程序，包括选择一个模型，通过交叉验证的套索。当以下随机向量是联合渐近多变量高斯时，这些工具普遍适用：1.由在某些模型选择标准下评估的每个模型的质量值组成的向量（例如跨折叠的交叉验证误差、AIC、预测误差等）2.我们从中对参数进行推断的检验统计量;值得注意的是，这里的参数是在执行模型选择方法之后选择的。在这些假设下，我们推导出一个具有渐近Unif（0，1）分布的关键量，该分布可用于执行检验和构建置信区间。检验和置信区间均对所选参数选择性有效。虽然在某些应用中可能不满足上述假设，但我们提出了一种新的变型，通过将高斯随机化添加到两个向量中的任一个来对这些模型选择过程进行修改。结果，上述随机向量的联合分布是多元高斯分布，并且我们的通用工具适用。我们通过将其应用于四个重要的程序来说明我们的方法，其中很少有选择性的推理结果已经开发出来：交叉验证的Lasso，交叉验证的随机Lasso，在一组固定的模型中基于AIC的模型选择和对新引入的新边缘LOCO参数的推理，受到Rinaldo et al（2016）的LOCO参数的启发;我们为这些情况提供了完整的结果。对于随机模型选择过程，我们开发了马尔可夫链蒙特卡罗抽样方案，以经验方式构建有效的后选择置信区间。
2018-02-12 stat.ME
Selective inference for clustering with unknown variance
针对已知协方差假设下的聚类选择性推断无法适配未知噪声水平的问题，提出方差未知场景下的选择性推断方法，可在控制第一类错误时保持高检验效能。
2023-07-21 stat.ME
Conditional Selective Inference for the Selected Groups in Panel Data
Jinan University（暨南大学）；Xiamen University（厦门大学）
针对面板数据k-means聚类选定组的斜率差异检验因选择与推断阶段依赖导致I类错误膨胀，本文提出条件选择性推断方法，融入GMM框架，模拟与实证验证了其有效性。
2026-08-05 stat.ME
Scalable methods for Bayesian selective inference
沿着Panigrahi（2016）中的截断方法建模，贝叶斯机制中的选择调整推理基于选择性后验。这样的后验是由施加在数据上的生成模型和强制截断假定定律的选择事件共同确定的。选择性后验和通常的贝叶斯框架之间的有效差异反映在使用截断的可能性。在调整后的框架中截断定律的归一化是选择事件的概率;这通常是棘手的，并且它导致从这样的后验样本中的计算瓶颈。目前的工作奠定了解决近似优化问题的原始-对偶方法，提供有效的后选择贝叶斯推断。选择过程构成的数据查询，解决了一个随机版本的凸学习程序，其优点是保留更多的剩余信息进行推理。我们提出了一个随机化方案下的优化具有可分离的约束，导致在一个部分可分离的目标，在较低的维度为许多常用的选择性查询，以近似，否则难以处理的选择性后验。我们表明，近似优化下的高斯随机化给出了一个有效的指数衰减率的选择概率在一个大的偏差规模。我们提供了一个原始-对偶方法来解决导致近似后验的优化问题，这使我们能够利用贝叶斯机制在低维和高维机制中的通常优点，其中底层信号是有效稀疏的。我们表明，调整后的估计经验表现出更好的频率属性相比，未调整的估计的基础上通常的后验，当应用到广泛的约束，凸数据查询。
2017-09-11 stat.ME
Evaluating methods for Lasso selective inference in biomedical research by a comparative simulation study
回归模型的变量选择在生物医学数据分析中起着关键作用。然而，经典的统计频率论假设模型中有一组固定的协变量，不包括选择后的推断。我们回顾两种解释的推理选择后：完整的模型视图，其中感兴趣的参数是所有预测的完整模型，然后专注于子模型视图，其中感兴趣的参数是选定的模型。在L1惩罚回归的背景下，我们使用受生物医学研究中常见的真实数据启发的模拟研究，通过软件包比较应用研究人员可用的置信区间的子模型推理（选择性推理）提案。此外，我们提出了一个示例性的应用程序，这些方法公开可用的数据集，讨论其实际可用性。我们的研究结果表明，选择性的置信区间的频率属性一般是可以接受的，但除了最保守的方法，在所有的情况下，所需的覆盖水平不能保证。推断方法的选择可能对所得的区间估计值有很大影响，因此需要用户敏锐地意识到推断的目标，以便解释和传达结果。目前可用的软件包还不是很方便用户使用，也不是很强大，这可能会影响其在实践中的使用。总之，我们发现选择后的子模型推断对于有经验的统计学家在未来的应用中评估单个选择的预测因子的重要性是有用的。
2021-07-20 stat.ME
More powerful selective inference for the graph fused lasso
图融合套索（graph fused lasso）--包括一维融合套索（one dimensional fused lasso）作为特例--被广泛用于重建图上分段恒定的信号，这意味着由边连接的节点往往具有相同的值。我们考虑测试使用图融合套索估计的两个连通分量的均值的差异。一个简单的程序，如平均值差异的z检验，将无法控制选择性第一类错误，因为我们正在检验的假设本身就是数据的函数。在这项工作中，我们提出了一个新的测试，这项任务，控制选择性第一类错误，和条件比现有的方法，导致更高的功率少的信息。我们说明了我们的方法在模拟和药物过量死亡率和青少年出生率在美国本土的数据集。我们的方法在两个数据集上都有更多的发现。
2022-02-10 stat.ME
Selective Inference in Growth Curve Models
Florida State University（佛罗里达州立大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
该研究提出一种数据分裂框架，用于增长曲线模型中的事后选择推断，通过高斯噪声分离选择与推断信息，提供有效推断并提高效率，应用实例验证其有效性。
2026-09-18 stat.ME
Conditional Inference for Secondary Outcomes Based on the Testing Result for the Primary Outcome in Clinical Trials
本文针对临床试验中基于主要结局检验结果选择性分析次要结局的问题，提出利用截断正态分布构造具有正确条件覆盖概率的置信区间，并通过SPRINT数据验证其有效性。
2025-04-11 stat.ME
Selective Inference for Additive and Linear Mixed Models
本文研究了在模型选择后对可加性和线性混合模型进行有效推理的问题。克服模型选择后过度自信的推理结果的一种可能的解决方案是选择性推理，其构成选择后推理框架，通过对选择事件进行条件化来产生有效的推理语句。我们最近的工作选择性推理类的添加剂和线性混合模型的任何类型的模型选择机制，可以表示为一个函数的结果变量（并可能在协变量上，它的条件）。我们调查的性质，我们的建议在模拟研究和应用框架的数据集在货币经济学。由于我们提出的方法的一般性，所提出的方法也适用于非标准的选择程序，我们在我们的应用程序中证明。在这里，最终添加剂混合模型选择使用分层选择过程，这是基于条件赤池信息标准，并涉及不同的数据集大小。
2020-12-20 stat.CO stat.ME
Single Parameter Inference of Non-sparse Logistic Regression Models
本文研究了非稀疏逻辑斯谛回归模型中单个参数的推断问题。通过将原假设转化为矩条件，构造了检验统计量，得到了渐近零分布。数值实验表明，我们的方法性能良好。
2022-11-09 stat.ME
Selective inference is easier with p-values
本文提出选择性支配p值框架，证明常用p值均满足该性质，并借此简化对获胜者推断和排名验证等选择性推断问题，同时推广出组合p值方法的选择性变体。
2024-11-21 math.ST stat.ME stat.TH
Discussion of "Impact of Frequentist and Bayesian Methods on Survey Sampling Practice: A Selective Appraisal" by J. N. K. Rao
这一评论强调了模型检验和模型拟合的重要性时，有限的人口数量的推断。它还表明了在对小型亚群进行推断时使用单位水平模型的价值，即“小区域”分析[arXiv：1108.2356]。
2011-08-19 stat.ME
Selective Information Borrowing for Region-Specific Treatment Effect Inference under Covariate Mismatch in Multi-Regional Clinical Trials
Duke University（杜克大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出了一种选择性信息借用框架，用于解决多地区临床试验中因协变量不匹配导致的区域特定治疗效应推断问题，通过逆方差加权估计量和符合预测法提高推断效率和准确性。
2026-02-02 stat.ME
Selective Inference for Hierarchical Clustering
当组被先验定义时，平均值差异的经典检验控制第一类错误率。然而，当通过聚类来定义组时，则应用经典测试会产生极度膨胀的第一类错误率。值得注意的是，即使使用两个单独和独立的数据集来定义组并测试其均值的差异，这个问题仍然存在。为了解决这个问题，在本文中，我们提出了一个选择性的推理方法来测试两个集群之间的差异。我们的程序通过考虑原假设的选择是基于数据的事实来控制选择性第一类错误率。我们描述了如何有效地计算精确的p值的聚类使用凝聚层次聚类与许多常用的链接。我们将我们的方法应用于模拟数据和单细胞RNA测序数据。
2022-10-31 stat.ME stat.ML
