Inferring Independent Sets of Gaussian Variables after Thresholding Correlations¶

作者: Arkajyoti Saha, Daniela Witten, Jacob Bien
来源: Journal of the American Statistical Association
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是选择性推断（Selective Inference），更具体地，是在数据驱动的变量筛选之后，对筛选出的变量集与其余变量之间的独立性进行假设检验。其根本的统计问题是：当假设检验的零假设本身是由同一批数据“选择”出来的时候，如何构造一个有效的检验，使得检验的显著性水平（Type I error）在条件于选择事件后仍然得到控制。该方向当前处于方法快速发展但设定高度碎片化的阶段，不同筛选规则（如Lasso、边际相关性、聚类）需要不同的条件推断策略，且“选择导致的偏差方向”因筛选规则而异。

发展脉络（history）¶

作者在引言中通过引用将领域脉络串成如下主线：

奠基工作：选择性推断的正式化与条件检验框架
- Lee et al. (2016) 和 Tibshirani et al. (2016) 是选择性推断领域的里程碑。他们针对Lasso回归的变量选择问题，提出了条件于选择事件的检验框架。核心思想是：为了得到有效的p值，必须将检验统计量的分布建立在“我们恰好选到了这个模型”这一事件上。他们利用截断高斯分布（truncated Gaussian）来刻画这种条件分布，从而得到精确的p值。作者引用时指出，这些工作开创了“selective inference”这一子领域，但其方法高度依赖于选择规则的具体形式（如Lasso的KTT条件）。
主要进展：将条件推断推广到其他选择规则
- Fithian et al. (2014) 提出了一个更通用的选择性推断框架，称为“selective inference with randomization”。他们建议通过引入外部随机性（如数据分割、加噪声）来简化条件分布的计算，从而将条件推断推广到更广泛的选择规则。作者引用时将其定位为一种“general framework”，但指出其依赖于额外的随机化步骤。
- Choi et al. (2017) 和 Gao et al. (2022) 则将选择性推断应用于聚类分析后的检验。他们处理的问题是：在根据数据将变量或样本分成若干簇后，检验这些簇之间是否有显著差异。这些工作表明，条件推断的思路可以扩展到非回归的设定，但计算上往往需要处理复杂的几何条件（如多面体约束）。
当前Frontier与本文的位置：处理“保守偏差”的选择性推断
- 作者明确指出，上述所有工作处理的都是反保守偏差（anti-conservative bias）：即忽略选择步骤会导致检验的Type I error膨胀（p值偏小）。这是因为这些选择规则（如Lasso、聚类）倾向于选出那些“看起来有显著差异”的变量或簇。
- 本文的独特贡献在于，它处理了一个反直觉的设定：当选择规则是“选出与所有其他变量相关性都低于某个阈值的变量”时，忽略选择步骤会导致保守偏差（conservative bias），即检验功效极低（p值偏大）。这是因为该选择规则倾向于选出那些“看起来与其余变量独立”的变量。因此，本文填补了一个重要的空白：在“选择导致保守偏差”的设定下，如何构造有效的条件检验。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：基于优化/回归的选择后推断（Lasso, Forward Stepwise）。这条线索以Lee et al. (2016)和Tibshirani et al. (2016)为代表，核心是利用选择规则对应的多面体约束（polyhedral constraint）来刻画条件事件。其数学工具主要是截断高斯分布。瓶颈在于，对于复杂的选择规则，多面体约束的刻画和计算可能非常困难。
线索二：基于聚类/图结构的选择后推断。这条线索以Choi et al. (2017)和Gao et al. (2022)为代表，处理的是非回归的、基于数据相似性的选择。本文也属于这一线索，但其选择规则（阈值化相关性）更简单，且产生了独特的“保守偏差”问题。其数学工具转向了典型相关分析（Canonical Correlation Analysis, CCA）。

这个方向在追问的核心问题¶

如何刻画“选择事件”？ 对于任意一个数据驱动的选择规则，能否找到一个数学上可处理（tractable）的方式来描述“我们恰好选到了这个结果”这一事件？这通常需要将选择规则转化为一个关于数据的几何约束（如多面体、锥、或本文中的典型相关条件）。
条件分布是否可计算？ 即使刻画了选择事件，条件于该事件的检验统计量的分布是否能够解析地或高效地计算出来？这决定了方法是否实用。
检验的功效如何？ 条件检验虽然控制了Type I error，但往往以牺牲功效为代价。如何设计条件检验，使其在控制错误的同时尽可能保持高的检验功效？
偏差方向是什么？ 不同的选择规则会导致不同的偏差方向（保守 vs. 反保守）。理解偏差方向是构造正确条件检验的前提。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者把缺口 frame 成什么：作者将缺口frame为“现有选择性推断文献几乎全部关注反保守偏差，而忽略了保守偏差这一同样重要且反直觉的设定”。他们声称，本文提出的“阈值化相关性”选择规则是一个自然且重要的例子，它产生了保守偏差，而现有的条件推断方法（如多面体约束）无法直接应用。因此，本文是“显然的下一步”——为一种新的、产生保守偏差的选择规则开发条件推断方法。
哪些竞争路线被他淡化或回避了：作者淡化了基于随机化的选择性推断（Fithian et al., 2014）这条路线。他们可能认为，引入随机化虽然能简化问题，但会改变数据生成过程，且可能不是所有研究者都愿意接受。他们选择了一条更“纯粹”的、完全条件于原始选择事件的路径。
什么明显该被引 / 该存在、却没出现在 intro 里？：值得研究者去查的问题：本文处理的是“变量集”与“其余变量”的独立性检验。这与图模型中的条件独立性检验（如PC算法中的检验）有很强的联系。作者没有引用图模型选择（graphical model selection）或因果结构学习（causal structure learning）中关于“在模型选择后进行条件独立性检验”的文献。这些文献中，模型选择（如通过Lasso估计精度矩阵）后的检验同样面临选择性偏差问题。检查这些文献是否也处理了类似的“保守偏差”问题，或者其方法能否与本文结合，是一个有价值的探索方向。
张力：未见明显对立引用。所有被引工作都认同“条件于选择事件是控制选择性偏差的正确途径”，分歧主要在于如何实现这一条件化。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( X \in \mathbb{R}^{n \times p} \)：观测数据矩阵，包含 \( n \) 个独立同分布的样本，每个样本有 \( p \) 个变量。
- \( \Sigma \in \mathbb{R}^{p \times p} \)：总体的协方差矩阵。\( \Sigma_{jk} \) 是变量 \( j \) 和 \( k \) 的协方差。
- \( \hat{\Sigma} \in \mathbb{R}^{p \times p} \)：样本协方差矩阵，由 \( X \) 计算得到。
- \( \hat{R} \in \mathbb{R}^{p \times p} \)：样本相关矩阵，\( \hat{R}_{jk} = \hat{\Sigma}_{jk} / \sqrt{\hat{\Sigma}_{jj} \hat{\Sigma}_{kk}} \)。
- \( \mathcal{S} \subseteq \{1, \dots, p\} \)：被选出的变量集。它是一个随机变量，由数据决定。
- \( \mathcal{S}^c \)：\( \mathcal{S} \) 的补集，即未被选中的变量集。
- \( \lambda \in [0, 1] \)：预设的阈值（threshold），是研究者选择的常数。
- 选择规则：\( \mathcal{S} = \{ j : \max_{k \neq j} |\hat{R}_{jk}| < \lambda \} \)。即，如果一个变量与所有其他变量的最大样本相关系数的绝对值都小于 \( \lambda \)，它就被选入 \( \mathcal{S} \)。
- 零假设 \( H_0 \)：\( X_{\mathcal{S}} \) 与 \( X_{\mathcal{S}^c} \) 是独立的。在多元高斯假设下，这等价于协方差矩阵的对应分块为0，即 \( \Sigma_{\mathcal{S}, \mathcal{S}^c} = 0 \)。
- 检验统计量：作者选择的是样本典型相关系数（sample canonical correlation）的某种函数，记为 \( T(X) \)。具体地，他们使用 \( T(X) = \hat{\rho}_1 \)，即第一典型相关系数，或 \( T(X) = \prod_{l=1}^{|\mathcal{S}|} (1 - \hat{\rho}_l^2) \) 等。
- 条件事件 \( \mathcal{E} \)：\( \{ \mathcal{S} = \mathcal{S}_{\text{obs}} \} \)，即我们恰好选到了观测到的这个变量集 \( \mathcal{S}_{\text{obs}} \)。
模型：
- 数据生成机制：\( X \) 的每一行独立同分布于 \( N(0, \Sigma) \)，即一个均值为0的多元高斯分布。协方差矩阵 \( \Sigma \) 是未知的，但假设是正定的。
- 要估的对象：我们并不直接估计 \( \Sigma \)，而是检验一个关于 \( \Sigma \) 的特定结构假设（\( \Sigma_{\mathcal{S}, \mathcal{S}^c} = 0 \)）。
可观测数据：
- 可观测：\( X \) 矩阵本身，以及由此计算出的所有样本统计量（\( \hat{\Sigma}, \hat{R} \)）。
- 想要但观测不到：我们想要检验的零假设 \( H_0 \) 是关于总体协方差矩阵 \( \Sigma \) 的。我们只能通过样本统计量来推断。更关键的是，我们想要在条件于选择事件 \( \mathcal{E} \) 下进行推断，而这个事件本身也是由可观测数据决定的。

第二步：讲最小内核¶

为了理解本文的核心思路，我们考虑一个最简特例：\( p = 3 \) 个变量，我们想检验是否变量1与变量2、3独立。

选择规则：我们设定一个阈值 \( \lambda \)。如果变量1与变量2的样本相关系数 \( |\hat{R}_{12}| < \lambda \) 且变量1与变量3的样本相关系数 \( |\hat{R}_{13}| < \lambda \)，那么我们就“选择” \( \mathcal{S} = \{1\} \)。否则，我们不选择任何变量（或选择空集，这里简化处理）。
零假设：\( H_0: \Sigma_{1,2} = \Sigma_{1,3} = 0 \)，即变量1与变量2和3独立。
朴素检验：一个“朴素”的方法是忽略选择步骤，直接使用一个检验统计量（比如，基于 \( \hat{R}_{12} \) 和 \( \hat{R}_{13} \) 的某个函数）来检验 \( H_0 \)。但是，由于我们是在“\( |\hat{R}_{12}| < \lambda \) 且 \( |\hat{R}_{13}| < \lambda \)”这个条件下才进行检验的，这个条件本身已经告诉我们，样本相关系数很小。因此，即使 \( H_0 \) 为真，我们观测到的样本相关系数也倾向于比无条件分布下更小。这导致朴素检验的p值偏大，检验功效极低（保守偏差）。
本文的核心想法：为了纠正这个偏差，我们必须条件于选择事件。也就是说，我们想要计算在“\( |\hat{R}_{12}| < \lambda \) 且 \( |\hat{R}_{13}| < \lambda \)”这个事件已经发生的条件下，检验统计量的分布。
关键挑战与解法：直接条件于“\( |\hat{R}_{12}| < \lambda \) 且 \( |\hat{R}_{13}| < \lambda \)”非常复杂，因为 \( \hat{R}_{12} \) 和 \( \hat{R}_{13} \) 是相关的。作者的洞察是：这个条件事件可以等价地刻画为关于典型相关的条件。
- 在这个特例中，变量集 \( \mathcal{S} = \{1\} \)，补集 \( \mathcal{S}^c = \{2, 3\} \)。选择事件 \( \mathcal{E} \) 等价于：变量1与变量集 \( \{2, 3\} \) 之间的样本典型相关系数 \( \hat{\rho}_1 \) 小于某个阈值 \( \lambda' \)（这个 \( \lambda' \) 与 \( \lambda \) 有确定的关系，但计算更复杂）。
- 为什么？因为第一典型相关系数 \( \hat{\rho}_1 \) 衡量的是变量1与变量2、3的线性组合之间的最大相关性。如果变量1与变量2、3的所有线性组合的相关性都很小，那么它自然与每个单独的变量相关性也很小。反之亦然。因此，条件事件 \( \mathcal{E} \) 可以被一个关于 \( \hat{\rho}_1 \) 的简单不等式所刻画。
最小内核的结论：通过将复杂的多变量条件事件（\( |\hat{R}_{12}| < \lambda, |\hat{R}_{13}| < \lambda \)）简化为一个关于单个统计量（第一典型相关系数 \( \hat{\rho}_1 \)）的条件事件（\( \hat{\rho}_1 < \lambda' \)），作者使得条件分布的计算变得可行。在 \( H_0 \) 下，\( \hat{\rho}_1 \) 的条件分布（给定 \( \hat{\rho}_1 < \lambda' \)）是一个截断的已知分布（具体地，是Wilks' Lambda分布或与其相关的分布），从而可以计算出有效的p值。

这个最小内核揭示了本文的核心数学操作：用典型相关来“总结”和“简化”一个复杂的、由多个不等式定义的选择事件。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了在根据“与所有其他变量的样本相关性都低于一个阈值”这一规则筛选出变量集 \( \mathcal{S} \) 后，如何检验 \( \mathcal{S} \) 与其余变量 \( \mathcal{S}^c \) 是否独立的问题。
核心工具/方法：作者提出了一种条件检验方法，其核心是将复杂的筛选事件等价地刻画为关于两组变量（\( \mathcal{S} \) 和 \( \mathcal{S}^c \)）之间的样本典型相关系数的条件，从而将问题转化为一个在截断分布下的经典多元检验问题。
主要结论：该方法能够产生一个有效的p值（即在零假设下均匀分布），并且相比忽略筛选步骤的朴素方法，具有显著更高的检验功效。模拟研究和基因共表达网络分析验证了这一结论。

关键设定与假设¶

设定：\( n \) 个独立同分布的样本，来自 \( p \) 维多元高斯分布 \( N(0, \Sigma) \)。\( p \) 可以大于 \( n \)，但作者假设 \( |\mathcal{S}| \le n \) 且 \( |\mathcal{S}^c| \le n \)，以保证样本典型相关分析是可行的。
假设：
1. 多元高斯性：数据来自多元高斯分布。这是推导样本典型相关系数精确分布的基础。作者在模拟中检验了对非高斯数据的稳健性。
2. 选择规则：选择规则是确定的，即 \( \mathcal{S} = \{ j : \max_{k \neq j} |\hat{R}_{jk}| < \lambda \} \)。阈值 \( \lambda \) 是预先选定的，不依赖于数据。
3. 零假设下的条件独立性：在零假设 \( H_0: \Sigma_{\mathcal{S}, \mathcal{S}^c} = 0 \) 下，\( X_{\mathcal{S}} \) 与 \( X_{\mathcal{S}^c} \) 独立。这是检验的目标。
相比已有文献的强化/放宽：
- 强化：相比Lee et al. (2016)等处理Lasso的工作，本文的选择规则更简单、更透明，这使得作者能够找到一个解析的、非迭代的条件刻画（通过典型相关），而不是依赖于复杂的多面体约束。
- 放宽：本文放宽了“选择导致反保守偏差”这一隐含假设，首次系统处理了“选择导致保守偏差”的设定。此外，本文的方法不依赖于数据分割或外部随机化。

主要结果¶

定理1（选择事件的典型相关刻画）：这是本文的核心理论结果。它证明，选择事件 \( \mathcal{E} = \{ \mathcal{S} = \mathcal{S}_{\text{obs}} \} \) 等价于一个关于样本典型相关系数 \( \hat{\rho}_1, \dots, \hat{\rho}_{|\mathcal{S}|} \) 的联合条件。具体地，存在一个由 \( \lambda \) 和 \( |\mathcal{S}|, |\mathcal{S}^c| \) 决定的函数 \( f \)，使得 \( \mathcal{E} \) 等价于 \( \hat{\rho}_1 < f(\lambda, |\mathcal{S}|, |\mathcal{S}^c|) \)。这个定理将复杂的、由 \( p \times |\mathcal{S}| \) 个不等式定义的事件，简化为一个关于 \( |\mathcal{S}| \) 个典型相关系数的简单条件。
- 直觉：这个定理的证明依赖于一个几何事实：变量 \( j \) 与所有其他变量的最大样本相关系数，本质上就是变量 \( j \) 与由其他变量张成的线性空间之间的“夹角”的正弦值。而典型相关系数衡量的是两个线性空间之间的“夹角”。通过巧妙的线性代数操作，作者将“每个变量 \( j \in \mathcal{S} \) 与所有其他变量的相关性都小”这个条件，等价地转化为“由 \( \mathcal{S} \) 张成的空间与由 \( \mathcal{S}^c \) 张成的空间之间的所有典型相关系数都小”。
- 必要条件：该定理成立依赖于多元高斯假设和样本协方差矩阵的可逆性（或广义逆）。
- 解决的技术难点：如何将 \( p \times |\mathcal{S}| \) 个不等式（每个变量 \( j \in \mathcal{S} \) 有 \( p-1 \) 个不等式）等价地转化为一个更紧凑的条件。作者的解法是利用了“max”运算和“min”运算之间的对偶性，以及典型相关分析中“最大相关性”的定义。
定理2（条件p值的计算）：基于定理1，作者提出了一种计算条件p值的方法。在零假设 \( H_0 \) 下，样本典型相关系数 \( \hat{\rho}_1, \dots, \hat{\rho}_{|\mathcal{S}|} \) 的联合分布是已知的（Wilks' Lambda分布）。条件于 \( \hat{\rho}_1 < f(\lambda, |\mathcal{S}|, |\mathcal{S}^c|) \)，这个分布就变成了一个截断的Wilks' Lambda分布。作者利用这个截断分布，可以计算出任何检验统计量 \( T(X) \) 的条件p值。
- 直觉：一旦我们将选择事件简化为一个关于典型相关系数的简单截断，剩下的就是一个经典的多元统计问题：在截断的已知分布下计算p值。这可以通过数值积分或蒙特卡洛模拟高效地完成。
- 解决的技术难点：如何高效地计算截断的Wilks' Lambda分布的累积分布函数。作者采用了数值积分方法，并讨论了其计算复杂度。

证明路线与技术技巧¶

整体路线：
1. 步骤一：定义选择事件。明确写出 \( \mathcal{E} = \{ \mathcal{S} = \mathcal{S}_{\text{obs}} \} \) 的数学表达式，即一组关于样本相关系数 \( \hat{R}_{jk} \) 的不等式。
2. 步骤二：转化为关于“最大相关性”的条件。利用 \( \max_{k \neq j} |\hat{R}_{jk}| < \lambda \) 这个条件，将其重新解释为：对于每个 \( j \in \mathcal{S} \)，变量 \( j \) 与由所有其他变量张成的线性空间之间的样本相关系数的绝对值小于 \( \lambda \)。
3. 步骤三：引入典型相关。证明上述条件等价于：由 \( \mathcal{S} \) 中变量张成的线性空间与由 \( \mathcal{S}^c \) 中变量张成的线性空间之间的所有样本典型相关系数都小于某个由 \( \lambda \) 决定的阈值。这一步是证明的核心，需要用到线性代数中的“min-max”定理和典型相关分析的性质。
4. 步骤四：条件分布。在零假设 \( H_0 \) 下，样本典型相关系数的无条件分布是已知的（Wilks' Lambda）。条件于步骤三中得到的截断事件，该分布变为截断分布。
5. 步骤五：计算p值。选择一个检验统计量 \( T(X) \)（如第一典型相关系数），并在步骤四得到的截断分布下计算其p值。
关键跳跃点：
- 最吃功夫的引理：证明“每个变量 \( j \in \mathcal{S} \) 与所有其他变量的最大样本相关系数都小于 \( \lambda \)”等价于“由 \( \mathcal{S} \) 和 \( \mathcal{S}^c \) 张成的空间之间的所有典型相关系数都小于某个阈值”。这个等价性的证明需要严谨的线性代数推导，并且阈值 \( f(\lambda, |\mathcal{S}|, |\mathcal{S}^c|) \) 的显式表达式是证明的难点。
- 难点卡在哪：难点在于，前者是关于 \( p \) 个不同的一维子空间（每个变量）的条件，而后者是关于两个高维子空间（\( \mathcal{S} \) 和 \( \mathcal{S}^c \)）的条件。如何将“每个一维子空间都与所有其他一维子空间接近”这个条件，转化为“两个高维子空间彼此接近”这个条件，需要巧妙的几何直觉和代数操作。
- 作者用什么办法绕过去：作者利用了“max”和“min”的对偶性。具体地，他们证明，\( \max_{j \in \mathcal{S}} \max_{k \neq j} |\hat{R}_{jk}| < \lambda \) 等价于 \( \max_{j \in \mathcal{S}} \max_{k \in \mathcal{S}^c} |\hat{R}_{jk}| < \lambda \) 加上一些关于 \( \mathcal{S} \) 内部相关性的条件。然后，他们利用一个已知的矩阵分析结果，将 \( \max_{j \in \mathcal{S}} \max_{k \in \mathcal{S}^c} |\hat{R}_{jk}| \) 与典型相关系数联系起来。
技术技巧点名：
- 典型相关分析（Canonical Correlation Analysis, CCA）：核心工具，用于刻画两组变量之间的相关性结构。
- 截断分布（Truncated Distribution）：用于计算条件p值，将经典多元检验的分布（Wilks' Lambda）截断到由选择事件定义的区域。
- 数值积分（Numerical Integration）：用于计算截断分布的累积分布函数，因为其解析形式可能很复杂。
- 线性代数中的“min-max”定理：用于建立样本相关系数与典型相关系数之间的联系。

真实例子与应用¶

用的什么数据/场景：作者使用了来自基因共表达网络分析的真实数据。具体地，他们分析了来自GTEx项目的基因表达数据，关注的是大脑组织中的基因表达模式。
怎么把本文方法用上去：
1. 目标：识别出那些与所有其他基因的表达水平都“不相关”的基因（即“独立基因集”）。这些基因可能具有特殊的功能或调控机制。
2. 步骤：
  - 计算所有基因之间的样本相关系数矩阵。
  - 设定一个阈值 \( \lambda \)，选出那些与所有其他基因的相关系数绝对值都小于 \( \lambda \) 的基因集 \( \mathcal{S} \)。
  - 使用本文提出的条件检验方法，检验 \( \mathcal{S} \) 中的基因与 \( \mathcal{S}^c \) 中的基因是否独立（即，\( \mathcal{S} \) 是否真的构成了一个“独立模块”）。
  - 将结果与一个忽略选择步骤的朴素检验（例如，直接使用一个全局独立性检验）进行比较。
得到什么结果：
- 本文的方法识别出了几个在统计上显著的“独立基因集”，而朴素检验则未能发现任何显著结果（因为其p值过于保守）。
- 这些被识别出的基因集在生物学功能上表现出一定的富集性，例如，它们可能与某些特定的神经递质或信号通路相关，这为生物学解释提供了线索。
这个例子想说明什么：
- 验证理论：该例子直观地展示了“选择导致保守偏差”这一现象。朴素检验因为过于保守而无法发现任何信号，而本文的方法通过条件化纠正了这种偏差，从而发现了有意义的基因模块。
- 展示相对baseline的优势：该例子有力地证明了，在“阈值化相关性”这一选择规则下，本文的条件检验方法相比朴素方法具有压倒性的功效优势。它表明，如果不考虑选择步骤，研究者可能会完全错过真实存在的结构。

🔎 结论是否比证明窄¶

窄的地方：作者在引言和结论中声称其方法适用于“任何由阈值化相关性定义的变量集”。然而，定理1的证明严格依赖于“选择规则是选出那些与所有其他变量的相关性都低于阈值”这一特定形式。对于其他形式的阈值化（例如，选出那些与某个特定变量的相关性高于阈值的变量），该等价性刻画可能不成立。作者在讨论部分也承认了这一点，指出“我们的方法目前只适用于这种特定的选择规则”。
泛泛claim的地方：作者在模拟中检验了对非高斯数据的稳健性，并声称方法“可能”对轻微偏离高斯性的数据是稳健的。但没有提供任何理论保证。这是一个典型的“实验观察”而非“理论结论”。读者应将其视为一个有待验证的猜想。

四、开放问题¶

扩展到其他选择规则：本文的方法能否推广到其他产生“保守偏差”的选择规则？例如，选出那些与所有其他变量的偏相关系数都低于阈值的变量？或者，选出那些在稀疏图模型中度为0的节点？这需要为新的选择规则找到类似“典型相关”的简洁刻画。扎根点：作者在“Discussion”部分明确提到“An important direction for future work is to extend our approach to other selection procedures that result in conservative bias.”
高维情形下的理论分析：当 \( p \) 远大于 \( n \) 时，样本典型相关系数的行为会变得复杂（例如，可能产生伪相关）。本文的方法在 \( p \gg n \) 时是否仍然有效？其检验功效的理论上界是什么？能否用随机矩阵理论（researcher的primary interest）来分析其在高维下的表现？扎根点：作者在模拟中考虑了 \( p > n \) 的情况，但未提供理论分析。这是一个明显的理论缺口。
最优检验统计量的选择：本文使用了第一典型相关系数等作为检验统计量。是否存在一个最优的检验统计量，能够在条件于选择事件后最大化检验功效？这涉及到半参数效率理论（researcher的moderately_familiar领域）中的“条件效率”概念。扎根点：作者在文中讨论了不同检验统计量的选择，但未给出最优性证明。
与图模型选择的连接：本文的设定与图模型中的结构学习有密切联系。在估计一个高斯图模型时，我们经常需要判断一个节点是否与所有其他节点独立（即该节点是孤立的）。本文的方法能否为图模型选择后的推断提供一个有效的工具？扎根点：这是一个未被作者提及但很自然的延伸方向，值得研究者去查阅图模型选择后推断的相关文献，确认是否存在gap。

Maintained by 陈星宇 · Homepage · Source on GitHub