一种使用组 Knockoffs 的强大且精确的特征级过滤器

选择对响应变量有实质性影响的重要特征，并具有可证明的 I 类错误率控制，是统计学中的一个基本问题，具有广泛的实践应用。现有的 knockoff 过滤器虽然在理论上被证明能提供对错误发现率（FDR）的控制，但当存在大型强相关特征组时，往往难以在精确识别重要特征的高功效和高精度之间取得平衡。为应对这一挑战，我们开发了一种使用组 knockoffs 的新过滤器，以实现对重要特征的强大且精确的选择。通过模拟数据实验和对一个真实阿尔茨海默病遗传数据集的分析，发现所提出的过滤器不仅能控制错误发现的比例，还能以与现有组 knockoffs 过滤器相当的效能和更高的精度识别重要特征。