Uniformly valid confidence intervals post-model-selection
Uniformly valid confidence intervals post-model-selection
复制标题
DOI：
10.1214/19-aos1815
复制
发表时间：
2016-11
期刊：
影响因子：
--
通讯作者：
F. Bachoc;David Preinerstorfer;Lukas Steinberger
中科院分区：
文献类型：
--
作者：
F. Bachoc;David Preinerstorfer;Lukas Steinberger
我们提出了在模型选择后构造渐近一致有效的可信区间的一般方法。这些构造是基于Berk等人最近提出的原则。(2013年)。特别是，使用的候选模型可能会被错误指定，推断的目标是特定于模型的，并且保证了任何数据驱动的模型选择过程的覆盖率。在发展了一般理论之后，我们将我们的方法应用于实际重要的情况，其中，从其中选择工作模型的候选模型集由固定设计的同方差或异方差线性模型组成，或者是具有一般连接函数的二元回归模型。在一项广泛的模拟研究中，我们发现，即使与仅为特定模型选择过程量身定做的现有方法相比，所提出的可信区间也表现得非常好。
We suggest general methods to construct asymptotically uniformly valid confidence intervals post-model-selection. The constructions are based on principles recently proposed by Berk et al. (2013). In particular the candidate models used can be misspecified, the target of inference is model-specific, and coverage is guaranteed for any data-driven model selection procedure. After developing a general theory we apply our methods to practically important situations where the candidate set of models, from which a working model is selected, consists of fixed design homoskedastic or heteroskedastic linear models, or of binary regression models with general link functions. In an extensive simulation study, we find that the proposed confidence intervals perform remarkably well, even when compared to existing methods that are tailored only for specific model selection procedures.