RANK：基于图形非线性Knockoffs的大规模推断
统计理论
2017-09-04 v1 统计方法学
机器学习
统计理论
摘要
在当代具有一般高维非线性模型的大数据应用中，检验功效和可重复性是实现精细科学发现的关键。本文为Candès, Fan, Janson和Lv (2016)近期在高维背景下引入的无模型knockoffs程序提供了关于功效和稳健性的理论基础，其中协变量分布由高斯图模型刻画。我们证明，在温和的正则性条件下，高维线性模型中已知协变量分布的oracle knockoffs程序的功效随着样本量趋于无穷而渐近为1。当偏离理想情况时，我们提出了改进的无模型knockoffs方法，称为图形非线性knockoffs (RANK)，以适应未知的协变量分布。我们通过证明错误发现率(FDR)在目标水平上渐近受控，且在使用估计的协变量分布时功效渐近为1，为改进程序的稳健性提供了理论论证。据我们所知，这是关于knockoffs程序功效的首个正式理论结果。模拟结果表明，与现有方法相比，我们的方法在FDR控制和功效方面均具有竞争力。我们分析了一个真实数据集，以进一步评估所建议的knockoffs程序的性能。
引用
@article{arxiv.1709.00092,
title = {RANK: Large-Scale Inference with Graphical Nonlinear Knockoffs},
author = {Yingying Fan and Emre Demirkaya and Gaorong Li and Jinchi Lv},
journal= {arXiv preprint arXiv:1709.00092},
year = {2017}
}
备注
37 pages, 6 tables, 9 pages supplementary material