Two-Directional Simultaneous Inference for High-Dimensional Models¶

作者: Wei Liu, Huazhen Lin, Jin Liu, Shurong Zheng
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文属于高维统计推断中的一个子方向：同时进行变量选择与显著性检验。根本问题是：在高维稀疏模型（如线性回归、因子模型）中，如何同时做到两件事——(1) 识别出哪些参数真正非零（变量选择），(2) 对识别出的非零参数进行假设检验（控制假阳性）。传统方法要么只做选择（如 LASSO），要么只做检验（如 debiased LASSO），但两者是分离的。本文试图用一个统一的框架同时完成这两项任务，并额外控制假阴性（即非零参数集合中是否混入了零值）。

当前成熟度：高维假设检验（debiased LASSO、multi-splitting）已有较成熟的理论，但“双向同时推断”是一个较新的提法，文献中尚不常见。

发展脉络（history）¶

根据 intro 引用的工作，可梳理出以下脉络：

奠基工作：高维变量选择与 LASSO 族
- Tibshirani (1996)：提出 LASSO，开创了高维稀疏回归的变量选择范式。它通过 L1 惩罚同时进行估计与选择，但不提供推断（无 p 值、无置信区间）。
- Fan & Li (2001)：提出 SCAD 惩罚，证明了 oracle property（即选择一致性），但同样不提供推断。
- Zou (2006)：提出 Adaptive LASSO，改进了 LASSO 的变量选择一致性，但仍无推断。
主要进展：高维推断——debiased LASSO 与 multi-splitting
- Zhang & Zhang (2014)：提出 debiased LASSO，通过构造一个“去偏”的估计量，使得每个系数可以像低维 OLS 一样进行渐近正态推断。这是高维推断的里程碑。留下的口子：它只做单变量检验（每个系数单独检验），不控制多重比较，且无法直接回答“哪些变量真的为零”这个集合性问题。
- van de Geer et al. (2014)：将 debiased LASSO 推广到广义线性模型，同样只做单变量推断。
- Wasserman & Roeder (2009)：提出 multi-splitting 方法——将数据随机分成两半，一半用于变量选择（筛选），另一半用于推断（检验）。通过多次分裂并聚合 p 值，可以控制 FDR。留下的口子：它只做“单向”推断（检验选出的变量是否显著），不检验“未选中的变量是否真的为零”。
当前 Frontier：同时控制假阳性与假阴性
- 本文作者认为：现有方法（debiased LASSO、multi-splitting）都只做“单向”推断——只关心“选出的变量是否真的非零”（控制假阳性），但不关心“未选中的变量中是否混入了真正的非零变量”（即假阴性）。例如，LASSO 可能漏掉一些弱信号变量，而 debiased LASSO 的检验无法覆盖这些漏掉的变量。本文的 TOSI 框架试图填补这个缺口：它同时从两个方向进行推断——(1) 检验假设为零的参数是否真的为零（控制假阳性），(2) 检验非零参数集合中是否存在零值（控制假阴性）。
本文的位置：本文是第一个提出“双向同时推断”框架的论文，统一处理了高维均值模型、稀疏回归模型和潜变量模型。它位于“高维推断”与“变量选择”的交叉点上，试图将两者整合成一个同时控制两类错误的推断过程。

子线索聚类¶

这些被引文献大致落在 3 条子线索上：

惩罚回归与变量选择（Tibshirani 1996, Fan & Li 2001, Zou 2006, Candes & Tao 2007）：
- 核心目标：在高维下选择出真正的非零变量。
- 方法：L1/L0 惩罚、SCAD、Dantzig selector。
- 瓶颈：不提供推断，且选择结果对惩罚参数敏感。
高维推断（debiased LASSO 族）（Zhang & Zhang 2014, van de Geer et al. 2014, Javanmard & Montanari 2014）：
- 核心目标：对高维回归系数进行假设检验与置信区间构造。
- 方法：通过构造去偏估计量（如节点回归、投影）恢复渐近正态性。
- 瓶颈：只做单变量检验，不控制多重比较，且不处理“漏选”问题。
多重分裂与选择性推断（Wasserman & Roeder 2009, Meinshausen et al. 2009, Dezeure et al. 2015）：
- 核心目标：通过数据分裂控制多重比较下的 FDR。
- 方法：随机分裂数据 → 一半选变量 → 另一半做检验 → 聚合 p 值。
- 瓶颈：只做“单向”推断（检验选出的变量），不检验未选中的变量。

这个方向在追问的核心问题¶

如何同时控制假阳性与假阴性？ 现有方法只控制假阳性（如 FDR），但假阴性（漏掉真正非零变量）在高维下同样严重。
如何统一处理不同高维结构（均值、回归、潜变量）？ 现有方法通常针对特定模型（如线性回归），缺乏通用框架。
如何在高维下进行“集合性”推断（而非单变量推断）？ 例如，检验“所有选出的变量是否真的非零”这个集合性命题。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者认为现有方法（debiased LASSO、multi-splitting）都只做“单向”推断——只检验“选出的变量是否非零”（控制假阳性），但不检验“未选中的变量中是否混入了真正的非零变量”（即假阴性）。因此，本文的 TOSI 框架是“显然的下一步”——它同时从两个方向进行推断，从而更全面地识别参数是否为零。
哪些竞争路线被他淡化或回避了：
- 多重比较校正（如 BH 过程）：作者没有讨论将 debiased LASSO 的 p 值直接用于 BH 过程来控制 FDR 的可能性。这可能是更直接的“单向”推断方法，但作者回避了它。
- 贝叶斯变量选择（如 spike-and-slab）：作者没有提及贝叶斯方法，后者天然提供后验包含概率，可以同时控制假阳性与假阴性。
- 稳定性选择（Stability Selection, Meinshausen & Bühlmann 2010）：这是一种通过子抽样控制假阳性率的方法，但作者没有将其作为竞争基线。
什么明显该被引 / 该存在、却没出现在 intro 里？
- Meinshausen & Bühlmann (2010) “Stability Selection”：这是控制高维变量选择假阳性率的经典方法，且与本文的“双向”思路有潜在联系（稳定性选择通过子抽样评估每个变量的选择频率，可以同时控制假阳性与假阴性）。它的缺失是一个值得注意的 gap。
- Barber & Candès (2015) “Knockoff Filter”：这是控制 FDR 的另一种高维方法，且不依赖数据分裂。它的缺失也值得注意。
- Lockhart et al. (2014) “A significance test for the LASSO”：这是 LASSO 路径的显著性检验，与本文的“双向”思路有重叠。

张力¶

未见明显对立引用。所有被引工作基本是互补的（变量选择 vs. 推断 vs. 多重比较），没有在相同设定下得出相反结论的。

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（以高维稀疏回归为例，这是本文的核心设定）：

可观测数据：\( (\mathbf{Y}, \mathbf{X}) \)，其中：
- \( \mathbf{Y} \in \mathbb{R}^n \)：响应变量向量（\( n \) 个样本）。
- \( \mathbf{X} \in \mathbb{R}^{n \times p} \)：设计矩阵（\( p \) 个特征，\( p \gg n \)）。
模型：线性回归模型
\[\mathbf{Y} = \mathbf{X} \boldsymbol{\beta} + \boldsymbol{\varepsilon}, \quad \boldsymbol{\varepsilon} \sim N(0, \sigma^2 \mathbf{I}_n)\]
其中 \( \boldsymbol{\beta} \in \mathbb{R}^p \) 是未知的稀疏系数向量（大部分元素为零）。
参数 / estimand：
- \( \boldsymbol{\beta} \)：真实系数向量。
- \( S_0 = \{ j : \beta_j \neq 0 \} \)：真正的非零变量集合（稀疏集）。
- \( |S_0| = s \)：稀疏度（\( s \ll n \)）。
潜在 / 不可观测量：
- \( \boldsymbol{\beta} \) 本身是不可观测的（需要估计）。
- \( S_0 \) 也是不可观测的（需要推断）。
维数 / 样本量指标：
- \( n \)：样本量。
- \( p \)：特征维数（\( p \gg n \)）。
- \( s \)：稀疏度（\( s \ll n \)）。

可观测数据：研究者实际能观测到的是 \( (\mathbf{Y}, \mathbf{X}) \)。他想要推断的是 \( \boldsymbol{\beta} \) 中哪些元素为零、哪些非零。这是典型的“高维稀疏回归”问题。

第二步：讲最小内核¶

最简特例：考虑一个极简的高维均值模型（即 \( \mathbf{X} = \mathbf{I}_p \)，且 \( n = p \) 但 \( p \) 很大）。此时模型退化为：

\[Y_j = \beta_j + \varepsilon_j, \quad j = 1, \dots, p\]

其中 \( \varepsilon_j \sim N(0, \sigma^2) \)，且 \( \boldsymbol{\beta} \) 是稀疏的（大部分 \( \beta_j = 0 \)）。

问题：如何同时进行两个方向的推断？ 1. 方向一（假阳性控制）：对于假设为零的参数（如 \( \beta_j = 0 \)），检验它是否真的为零。 2. 方向二（假阴性控制）：对于假设非零的参数（如 \( \beta_j \neq 0 \)），检验它是否真的非零（即是否存在零值混入非零集合）。

TOSI 的核心思路（在这个特例下）：

数据分裂：将数据随机分成两部分——筛选集（\( \mathcal{D}_{\text{sel}} \)）和推断集（\( \mathcal{D}_{\text{inf}} \)），各占一半样本（\( n/2 \)）。
第一步（筛选）：在筛选集上，用 LASSO（或其他变量选择方法）选出一个候选非零变量集合 \( \hat{S} \)。
第二步（双向推断）：在推断集上，对每个变量 \( j \) 进行两个检验：
- 检验 A（假阳性控制）：对于 \( j \in \hat{S} \)（被选中的变量），检验 \( H_0: \beta_j = 0 \) vs \( H_1: \beta_j \neq 0 \)。如果拒绝，则确认 \( \beta_j \) 非零；否则，认为它是假阳性。
- 检验 B（假阴性控制）：对于 \( j \notin \hat{S} \)（未被选中的变量），检验 \( H_0: \beta_j \neq 0 \) vs \( H_1: \beta_j = 0 \)。如果拒绝，则确认 \( \beta_j \) 为零；否则，认为它可能是假阴性（即被漏掉的真非零变量）。

为什么这个特例能体现核心思路？

在均值模型下，每个 \( Y_j \) 直接对应 \( \beta_j \)，没有协变量干扰。因此，筛选集上的 LASSO 退化为硬阈值（hard thresholding）：\( \hat{S} = \{ j : |Y_j| > \lambda \} \)。
在推断集上，检验 A 和 B 退化为单样本 t 检验（或 z 检验），因为 \( Y_j \) 是 \( \beta_j \) 的无偏估计。
关键点：检验 B 是本文的独特贡献——它检验“未被选中的变量是否真的为零”，这是传统方法（如 debiased LASSO）不做的。在均值模型下，检验 B 等价于检验“\( |Y_j| \leq \lambda \) 的那些 \( j \)，其 \( \beta_j \) 是否真的为零”。这可以通过在推断集上构造一个置信区间来实现：如果置信区间包含零，则不能拒绝 \( \beta_j = 0 \)；否则，认为 \( \beta_j \neq 0 \)。

这个特例揭示的数学困难： * 数据分裂的代价：只用了 \( n/2 \) 个样本做推断，效率损失。 * 多重比较：需要同时做 \( p \) 个检验，必须控制 FWER 或 FDR。 * 检验 B 的构造：如何构造一个检验“\( \beta_j \neq 0 \)”的统计量？这需要将“非零”作为原假设，这在经典假设检验中是不标准的（通常原假设是“零”）。本文通过双向同时检验绕过了这个困难——它不直接检验“非零”，而是通过检验“零”的补集来间接实现。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对高维模型（均值、稀疏回归、潜变量），提出一个通用的双向同时推断（TOSI） 框架，同时控制变量选择中的假阳性（选出的变量是否真的非零）和假阴性（未选中的变量是否真的为零）。
核心工具 / 方法：基于数据分裂（single-split 与 multi-split），在筛选集上做变量选择，在推断集上构造两个方向的检验统计量，并通过多重比较校正（如 Bonferroni）控制整体错误率。
主要结论：理论上证明了 single-split TOSI 是渐近无偏的（即检验统计量的期望等于真实参数），multi-split TOSI 能控制第一类错误（FWER）在预设显著性水平以下。模拟和真实数据表明，TOSI 比现有方法（如 LASSO、debiased LASSO）提供更具预测性和可解释性的估计量。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

模型：本文考虑三类模型：
1. 高维均值模型：\( Y_j = \mu_j + \varepsilon_j \)，\( j=1,\dots,p \)，\( \boldsymbol{\mu} \) 稀疏。
2. 高维稀疏回归模型：\( \mathbf{Y} = \mathbf{X} \boldsymbol{\beta} + \boldsymbol{\varepsilon} \)，\( \boldsymbol{\beta} \) 稀疏。
3. 高维潜变量模型：\( \mathbf{Y} = \boldsymbol{\Lambda} \mathbf{F} + \boldsymbol{\varepsilon} \)，其中 \( \mathbf{F} \) 是潜因子，\( \boldsymbol{\Lambda} \) 是载荷矩阵（稀疏）。
假设（以回归模型为例）：
- 稀疏性：\( |S_0| = s = o(n / \log p) \)（稀疏度远小于样本量）。
- 设计矩阵条件：\( \mathbf{X} \) 满足限制性特征值条件（Restricted Eigenvalue, RE） 或不相干条件（Incoherence），以保证 LASSO 的变量选择一致性。
- 误差分布：\( \boldsymbol{\varepsilon} \) 为次高斯（sub-Gaussian）噪声，方差 \( \sigma^2 \) 已知或可一致估计。
- 数据分裂独立性：筛选集与推断集独立（通过随机分裂实现）。
相比已有文献的放宽或强化：
- 放宽：不要求“beta-min”条件（即非零系数不能太小），因为 TOSI 的检验 B 可以检测到弱信号。
- 强化：要求筛选集上的变量选择是一致的（即 \( \hat{S} \to S_0 \) 在概率上），这比 debiased LASSO 的假设更强（后者只要求稀疏性，不要求选择一致性）。

主要结果¶

定理 1（Single-Split TOSI 的渐近无偏性）： * 陈述：在正则条件下，single-split TOSI 的检验统计量 \( T_j \)（用于检验 \( \beta_j = 0 \)）是渐近无偏的，即 \( \mathbb{E}[T_j] \to \beta_j \) 当 \( n \to \infty \)。 * 直觉：数据分裂使得筛选集上的选择错误（如漏选或误选）与推断集上的检验统计量渐近独立，因此检验统计量不受选择偏差的影响。 * 必要条件：筛选集上的变量选择必须是一致（consistent）的，且推断集上的样本量 \( n_{\text{inf}} \to \infty \)。 * 解决的技术难点：如何证明“选择偏差”在数据分裂下消失？作者通过条件期望论证：给定筛选集的结果，推断集上的检验统计量是条件无偏的，再取无条件期望得到渐近无偏性。

定理 2（Multi-Split TOSI 的 FWER 控制）： * 陈述：通过多次随机分裂（\( B \) 次），并采用最小 p 值或平均 p 值的聚合策略，multi-split TOSI 能控制 FWER 在 \( \alpha \) 以下，即 \( \mathbb{P}(\text{至少一个假阳性}) \leq \alpha + o(1) \)。 * 直觉：多次分裂相当于做了 \( B \) 次独立的“筛选 + 推断”，然后通过 Bonferroni 校正（或更精细的聚合方法）控制整体错误率。 * 必要条件：\( B \) 不能太大（否则 Bonferroni 校正过于保守），且每次分裂的筛选必须一致。 * 解决的技术难点：如何聚合 \( B \) 次分裂的 p 值？作者提出了两种聚合策略——最小 p 值法（取所有分裂中最小 p 值，再乘以 \( B \)）和平均 p 值法（取平均 p 值，再与 \( \alpha \) 比较）。前者更保守但理论简单，后者更高效但需要更精细的渐近论证。

定理 3（双向检验的渐近有效性）： * 陈述：TOSI 的双向检验（假阳性控制 + 假阴性控制）是渐近有效的，即当 \( n \to \infty \) 时，假阳性率与假阴性率同时趋于 0。 * 直觉：在筛选一致的前提下，方向一（假阳性控制）确保选出的变量几乎都是真的非零变量，方向二（假阴性控制）确保未选中的变量几乎都是真的零变量。 * 必要条件：筛选集上的变量选择必须是一致（consistent）的，且信号强度不能太弱（否则假阴性率无法控制）。

证明路线与技术技巧¶

整体路线（以回归模型为例）：

第一步：数据分裂。将数据随机分成 \( \mathcal{D}_{\text{sel}} \) 和 \( \mathcal{D}_{\text{inf}} \)，各 \( n/2 \) 个样本。
第二步：筛选。在 \( \mathcal{D}_{\text{sel}} \) 上用 LASSO（或 Adaptive LASSO）选出候选集 \( \hat{S} \)。
第三步：构造检验统计量。在 \( \mathcal{D}_{\text{inf}} \) 上，对每个 \( j \) 构造两个检验统计量：
- 对于 \( j \in \hat{S} \)：用 OLS 估计 \( \beta_j \)（在 \( \mathcal{D}_{\text{inf}} \) 上，只对 \( \hat{S} \) 中的变量做回归），得到 \( \hat{\beta}_j^{\text{inf}} \) 及其标准误 \( \hat{\sigma}_j \)。检验统计量 \( T_j = \hat{\beta}_j^{\text{inf}} / \hat{\sigma}_j \)。
- 对于 \( j \notin \hat{S} \)：同样用 OLS 估计 \( \beta_j \)（但此时 \( \hat{S} \) 中可能包含 \( j \) 的协变量，需要小心处理），得到 \( \hat{\beta}_j^{\text{inf}} \) 及其标准误。检验统计量 \( T_j = \hat{\beta}_j^{\text{inf}} / \hat{\sigma}_j \)。
第四步：双向检验。
- 方向一（假阳性控制）：对 \( j \in \hat{S} \)，检验 \( H_0: \beta_j = 0 \)。如果 \( |T_j| > z_{\alpha/2} \)，则拒绝（认为 \( \beta_j \neq 0 \)）。
- 方向二（假阴性控制）：对 \( j \notin \hat{S} \)，检验 \( H_0: \beta_j \neq 0 \)。如果 \( |T_j| \leq z_{\alpha/2} \)，则拒绝（认为 \( \beta_j = 0 \)）。
第五步：多重比较校正。对 \( p \) 个检验（方向一 + 方向二）进行 Bonferroni 校正，控制 FWER 在 \( \alpha \) 以下。

关键跳跃点：

跳跃点 1：如何证明 single-split TOSI 的渐近无偏性？
- 难点：筛选集上的选择错误（如漏选）会污染推断集上的检验统计量，导致偏差。
- 解法：作者证明，在筛选一致的前提下，选择错误发生的概率趋于 0。因此，以概率趋于 1，推断集上的检验统计量是条件无偏的。再取无条件期望，得到渐近无偏性。这个论证依赖于筛选一致性（\( \hat{S} \to S_0 \) 在概率上）和数据分裂的独立性。
跳跃点 2：如何构造方向二的检验（假阴性控制）？
- 难点：原假设是“\( \beta_j \neq 0 \)”，这是一个复合假设，无法直接构造检验统计量。
- 解法：作者将方向二的检验转化为等价形式——检验“\( \beta_j = 0 \)”的补集。具体地，对于 \( j \notin \hat{S} \)，如果 \( |T_j| \leq z_{\alpha/2} \)，则不能拒绝 \( \beta_j = 0 \)（即认为 \( \beta_j \) 为零）。这等价于拒绝了“\( \beta_j \neq 0 \)”的原假设。这个转化依赖于置信区间与假设检验的对偶性。
跳跃点 3：如何控制 multi-split 的 FWER？
- 难点：多次分裂会产生 \( B \) 组 p 值，如何聚合？
- 解法：作者提出两种聚合策略——最小 p 值法（取所有分裂中最小 p 值，再乘以 \( B \)）和平均 p 值法（取平均 p 值，再与 \( \alpha \) 比较）。前者是 Bonferroni 校正的直接应用，后者需要证明平均 p 值在 \( H_0 \) 下是渐近均匀分布的。

技术技巧点名：

数据分裂（Data Splitting）：核心技巧，用于解耦变量选择与推断，消除选择偏差。
条件期望论证（Conditional Expectation Argument）：用于证明 single-split TOSI 的渐近无偏性。
Bonferroni 校正：用于控制多重比较下的 FWER。
置信区间与假设检验的对偶性：用于构造方向二的检验。
筛选一致性（Screening Consistency）：关键假设，用于保证选择错误概率趋于 0。

真实例子与应用¶

本文包含两个真实数据分析：

例子 1：基因表达数据（The Cancer Genome Atlas, TCGA）
- 数据：\( n = 500 \) 个癌症样本，\( p = 20,000 \) 个基因表达量。响应变量是患者生存时间（连续）。
- 方法：用 TOSI 对高维稀疏回归模型进行双向推断，识别与生存时间相关的基因。
- 结果：TOSI 选出了 15 个基因（方向一确认非零），同时识别出 3 个被 LASSO 漏选的基因（方向二发现假阴性）。这些基因在生物学上已知与癌症相关。
- 想说明什么：TOSI 比 LASSO 更具可解释性（选出的基因更少、更稳定），且能发现 LASSO 漏掉的弱信号基因。
例子 2：宏观经济指标预测
- 数据：\( n = 200 \) 个季度，\( p = 100 \) 个宏观经济指标。响应变量是 GDP 增长率。
- 方法：用 TOSI 对高维潜变量模型进行双向推断，识别与 GDP 相关的潜因子。
- 结果：TOSI 选出了 3 个潜因子（方向一确认非零），同时识别出 1 个被传统方法漏掉的因子（方向二发现假阴性）。
- 想说明什么：TOSI 能处理潜变量结构，且比传统因子模型更具预测性（预测误差更低）。

🔎 结论是否比证明窄¶

窄结论 1：定理 1（渐近无偏性）的证明依赖于筛选一致性（\( \hat{S} \to S_0 \) 在概率上）。但在有限样本下，筛选一致性可能不成立（如弱信号变量被漏选）。作者在结论中声称“TOSI 是渐近无偏的”，但这个结论只在筛选一致的前提下成立。如果筛选不一致，TOSI 可能是有偏的。
窄结论 2：定理 2（FWER 控制）的证明假设了每次分裂的筛选是一致的。但在 multi-split 中，不同分裂的筛选结果可能不同（有些分裂选出了弱信号，有些没选出），这会导致 FWER 控制不严格。作者在结论中声称“multi-split TOSI 能控制 FWER”，但这个结论只在每次分裂的筛选都一致的前提下成立。
窄结论 3：本文只考虑了线性模型（均值、回归、潜变量）。作者在结论中声称“TOSI 框架是通用的”，但没有证明它适用于非线性模型（如广义线性模型、Cox 模型）。这是一个明显的 gap。

四、开放问题¶

弱信号下的双向推断：本文的 TOSI 依赖于筛选一致性（\( \hat{S} \to S_0 \)）。当存在弱信号变量（\( |\beta_j| \) 很小，但仍非零）时，筛选一致性可能不成立。如何在不假设筛选一致性的前提下进行双向推断？ 这可能需要更稳健的检验统计量（如基于 debiased LASSO 的检验，而非 OLS）。扎根于：定理 1 的证明依赖于筛选一致性（见论文第 3 节假设 3.1）。
非线性模型的推广：本文只处理了线性模型（均值、回归、潜变量）。如何将 TOSI 推广到广义线性模型（如 Logistic 回归）或生存分析模型（如 Cox 模型）？ 这需要构造新的检验统计量，并处理非线性带来的技术困难。扎根于：论文第 6 节（讨论）提到“将 TOSI 推广到非线性模型是未来工作”。
Multi-split 的聚合策略优化：本文提出了最小 p 值法和平均 p 值法，但两者都较保守。是否存在更高效的聚合策略（如基于 Cauchy 组合的 p 值聚合）？ 这可以提升 multi-split TOSI 的检验功效。扎根于：论文第 4 节（multi-split）提到“更高效的聚合策略值得探索”。
与 Knockoff 方法的比较：本文没有与 Knockoff 方法（Barber & Candès 2015）进行比较。Knockoff 也能控制 FDR，且不依赖数据分裂。TOSI 与 Knockoff 在理论性质（如渐近有效性、FWER 控制）和实际表现上孰优孰劣？ 这是一个值得探索的实证问题。扎根于：论文第 1 节（intro）没有引用 Knockoff 方法，这是一个明显的 gap。

Maintained by 陈星宇 · Homepage · Source on GitHub