变量选择的虚发现率估计
Estimating the False Discovery Rate of Variable Selection
AI总结：
本文提出了一种通用的虚发现率估计方法，用于评估变量选择过程中的预测误差与变量选择准确性之间的权衡。
摘要：
我们介绍了一个通用的虚发现率估计器，适用于任何模型选择过程，在常见的统计建模设置中包括高斯线性模型、高斯图模型和模型-X设置。我们证明了在标准统计假设下，我们的方法在有限样本中具有保守（非负）偏倚，并提供了一种自助法来评估其标准误差。对于lasso、逐步回归和图lasso等方法，我们的估计器是交叉验证的有价值的补充，揭示了模型复杂度参数函数下的预测误差与变量选择准确性之间的权衡。
英文摘要：
We introduce a generic estimator for the false discovery rate of any model selection procedure, in common statistical modeling settings including the Gaussian linear model, Gaussian graphical model, and model-X setting. We prove that our method has a conservative (non-negative) bias in finite samples under standard statistical assumptions, and provide a bootstrap method for assessing its standard error. For methods like the Lasso, forward-stepwise regression, and the graphical Lasso, our estimator serves as a valuable companion to cross-validation, illuminating the tradeoff between prediction error and variable selection accuracy as a function of the model complexity parameter.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
