帕特里克·布莱尼 惩罚回归模型的边际错误发现率。 arXiv:1607.05636 预印本，arXiv:1607.05636[math.ST]（2016）。 摘要：惩罚回归方法是一种很有吸引力的高维数据分析工具，但由于难以应用推断工具，阻碍了其广泛采用。特别是“这些功能的选择有多可靠？”事实证明很难解决。在某种程度上，这一困难源于在经典的、完全条件意义上定义错误发现，这在低维中是可能的，但在高维环境中无法很好地扩展。在这里，我们考虑惩罚回归方法的边际错误发现率的分析。将注意力限制在边际FDR上，可以直接估计可能仅凭偶然发生的选择数量，因此可以对选择可靠性进行有用的总结。理论分析和仿真研究表明，当预测因子之间的相关性较弱时，该方法是相当准确的，而当相关性较强时，该算法仅稍显保守。最后，利用癌症基因组图谱中的基因表达数据和心肌应用基因组网络中的GWAS数据，说明了该方法的实用性及其相对于其他方法的显著优势。 BibTeX公司 引用 \textit{P.Breheny}，“惩罚回归模型的边际错误发现率”，Preprint，arXiv:1607.05636[math.ST]（2016） 全文： arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了错误，请直接向arXiv报告.