A comparative study of some existing post-model-selection inferential methods in linear regression models
Notice bibliographique
Résumé
It is widely recognized that disregarding the uncertainty rooted in data-dependent model selection procedures invalidates various uncertainty measurements which were used to be justified by classical statistical theories. Categorized according to different types of post-selection estimation targets, there has been a great amount of new insights proposed to provide valid post-selection inference for both population- and projection-based regression coefficients. In this thesis, we first motivate the study of post-selection inference through two simulated examples. Upon acknowledging the necessity for valid inference after model selection, we then perform a thorough literature review of major landmarks in tracking the post-selection sampling distribution of regression parameter estimates and coverage properties of naive confidence intervals/regions. This is followed by a selective overview of existing prominent post-selection statistical inferential paradigms for both population- and projection-based targets. Particularly, emphasis is placed on the construction of valid post-selection confidence intervals. Focusing on methods designed for the projection-based regression coefficients, we carry out simulation studies to compare the performance of various post-selection confidence intervals constructed by these methods. Under the presumed framework of linear regression model with i.i.d. Gaussian errors, this simulated comparison contributes quantitatively to the understanding of merits and limitations of various post-selection confidence intervals for projection-based regression coefficients in terms of average conditional coverage probability, average length of confidence intervals and symmetry of coverage hits and misses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».