MARC

 008260126s2025        us                              c    eng  d
■001000017357605
■00520260202103535
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288866197
■035    ▼a(MiAaPQ)AAI32040414
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aLuo,  Yixiang.
■24510▼aAdvances  in  Multiple  Testing  and  Variable  Selection
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Fithian,  William;Evans,  Steven.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aIn  contemporary  scientific  research,  variable  selection  from  numerous  candidates  represents  a  fundamental  challenge  with  diverse  objectives:  building  predictive  models  that  balance  selection  accuracy  and  predictive  power,  testing  multiple  hypotheses  with  controlled  error  rates,  and  quantifying  the  likelihood  of  each  variable  being  a  true  signal.  While  variable  selection  can  be  formalized  within  multiple  hypothesis  testing  frameworks,  classical  p-value-based  methods  often  prove  inadequate  when  complex  modeling  procedures  are  involved.  This  dissertation  addresses  the  issues  through  three  novel  methodological  contributions.Chapter  1-based  on  Luo  et  al.  (2024)-introduces  a  conservative  estimator  for  the  false  discovery  rate  (FDR)  applicable  to  any  variable  selection  procedure  in  common  statistical  modeling  settings.  Our  estimator  complements  cross-validation  by  elucidating  the  trade-off  between  prediction  error  and  variable  selection  accuracy  as  a  function  of  model  complexity.  We  prove  that  our  estimator  maintains  conservative  bias  in  finite  samples  under  standard  assumptions  and  provide  a  bootstrap  methodology  for  standard  error  assessment.The  knockoff  filter  of  Barber  and  Candes  (2015)  provides  a  powerful  framework  for  multiple  testing  with  FDR  control  by  leveraging  supervised  learning  models,  yet  suffers  from  critical  limitations  in  specific  scenarios.  Chapter  2-based  on  Luo  et  al.  (2022)-develops  the  calibrated  knockoff  procedure,  which  uniformly  improves  the  power  of  any  knockoff  procedure  while  preserving  FDR  control.  Our  theoretical  and  empirical  analyses  demonstrate  particularly  significant  improvements  in  two  scenarios  where  knockoff  methods  can  be  nearly  powerless:  when  rejection  sets  are  small,  and  when  design  matrix  structures  inhibit  the  construction  of  effective  knockoff  variables.Chapter  3  is  as-yet  unpublished  work  and  presents  a  novel  estimator  for  the  frequentist  local  false  discovery  rate  (lfdr),  which  addresses  the  question  of  how  likely  each  variable  is  to  represent  noise  rather  than  signal.  While  empirical  Bayes  methods  effectively  address  large-scale  testing  problems,  they  rely  on  correct  Bayesian  model  specifications.  Our  estimator,  constructed  within  a  purely  frequentist  framework,  addresses  this  limitation.  We  establish  that  in  asymptotic  regimes  characteristic  of  large-scale  testing,  our  estimator  converges  to  an  upper  bound  of  the  true  frequentist  lfdr,  enabling  validation  of  empirical  Bayes  inference  and  conservative  recalibration  when  necessary.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■650  4▼aApplied  mathematics
■653    ▼aFalse  discovery  rate
■653    ▼aKnockoff
■653    ▼aLocal  false  discovery  rate
■653    ▼aMultiple  testing
■653    ▼aVariable  selection
■690    ▼a0463
■690    ▼a0364
■71020▼aUniversity  of  California,  Berkeley▼bMathematics.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357605▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서