结构变化检测中控制错误发现率的广义仿制变量方法

控制错误发现率（FDR）对于变量选择、多重检验以及其他信号检测问题至关重要。在文献中，当选择个体特征时，FDR控制策略当然不乏其数，但针对结构变化检测的相关工作，例如分段常数系数的剖面分析和多数据源的整合分析，却十分有限。在本文中，我们提出了一种适用于此类问题设置的广义仿制变量方法（GKnockoff）来控制FDR。我们证明了GKnockoff具有成对可交换性，并且能够在有限样本量下控制精确的FDR。我们进一步探索了高维情形下的GKnockoff，首先引入了一种新的筛选方法来过滤高维潜在的结构变化。我们采用数据分割技术，先通过筛选降维，然后在精炼后的选择集上执行GKnockoff。此外，我们还系统地研究了所提方法的功效。与其他方法的数值比较显示了GKnockoff在FDR控制和功效方面的优越性能。我们还将所提方法应用于分析一个宏观经济数据集，以检测经济发展对第二产业驱动效应的变化。