我们使用Barber和Candès首次提出的仿冒框架，提出了一种在线性回归设置中控制$k$-家族错误率（$k$-FWER）的新方法。我们的过程也被称为仿冒，可以应用于任何至少与变量一样多的观测值的设计矩阵，并且不需要知道噪声方差。与其他直接作用于$p$-值的多重测试程序不同，仿冒产品专门针对线性回归进行定制，并隐式解释了不同系数的假设测试之间的统计关系。我们证明，在有限样本中，仿冒品精确地控制了$k$-FWER，并在模拟中表明，它在一系列线性回归问题上提供了优于替代程序的能力。我们还讨论了控制其他I型错误率（如假超标率）的扩展，并使用它来确定HIV耐药突变的候选基因。