在许多科学领域，我们观察到一个反应变量以及大量潜在的解释变量，并希望能够发现哪些变量与反应真正相关。同时，我们需要知道，错误发现率（FDR）——所有发现中错误发现的预期比例——并不太高，以便向科学家保证，大多数发现确实是真实的和可复制的。本文介绍了分离过滤器这是一种新的变量选择程序，用于控制统计线性模型中的FDR，只要观测值至少与变量一样多。无论设计或协变量、模型中变量的数量或未知回归系数的幅度如何，该方法都可以在有限样本设置中实现精确的FDR控制，并且不需要任何噪声水平的知识。顾名思义，该方法通过制造廉价的敲除变量来操作——它们的构造不需要任何新数据，并且被设计为模仿现有变量中的相关性结构，以一种允许精确FDR控制的方式，超越了基于排列的方法。仿冒的方法非常通用和灵活，可以处理广泛的测试统计数据。我们结合Lasso的统计数据对该方法进行了稀疏回归测试，并获得了经验结果，表明当零变量比例较高时，所得到的方法比现有的选择规则具有更大的功效。