尼古拉·明绍森;卢卡斯·迈耶;彼得·伯尔曼 \高维回归的（p\）-值。 （英语） Zbl 1205.62089号 美国统计协会。 104，第488号，1671-1681（2009）。 摘要：在高维回归中分配显著性是一项挑战。大多数计算效率高的选择算法无法防止包含噪声变量。渐近有效\（p\）-值不可用。一个例外是Wasserman和Roeder最近的一项提议，将数据分成两部分。然后，使用第一次拆分将变量数量减少到可管理的大小，而使用第二次拆分的数据，可以将经典变量选择技术应用于其余变量。这在最小条件下产生了渐近误差控制。然而，这涉及到数据的一次性随机分割。结果对这种任意选择很敏感，这相当于“p值彩票”，并且很难重现结果。在这里，我们表明可以聚合多个随机分裂的推断，同时保持对包含噪声变量的渐近控制。我们表明，得到的（p）-值可以用于控制家族错误和错误发现率。此外，所提出的聚合可以提高功率，同时大大减少错误选择的变量的数量。 引用于118文件 MSC公司： 62J05型 线性回归；混合模型 62J07型 岭回归；收缩估计器（拉索） 关键词：数据拆分;错误发现率;家庭错误率;高维变量选择;多重比较 PDF格式BibTeX公司 XML格式引用 \textit{N.Meinshausen}等人，《美国统计协会期刊》104，第488、1671--1681号（2009年；Zbl 1205.62089） 全文： 内政部 arXiv公司