跳转至

Optimal post-selection inference for sparse signals: a nonparametric empirical Bayes approach

作者: S Woody, O H M Padilla, J G Scott
来源: Biometrika
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稀疏信号选择后的推断问题。根本的统计问题是：在大型多重比较或高维变量选择中，研究者首先通过数据驱动的方式（如FDR控制、Lasso、阈值化）筛选出一批“显著”的信号，然后希望对这些被选中的信号的真实幅度（而非仅检测其存在性）进行有效的区间估计或假设检验。核心困难在于，选择过程本身引入了偏差——被选中的信号往往是那些观测值最大的，因此基于同一数据的普通置信区间会系统性地低估或高估真实幅度。这个方向当前处于方法激烈竞争但尚无共识的阶段：频率学派方法（如条件推断、选择性推断）能保证精确覆盖但区间过宽；贝叶斯方法能利用收缩优势但频率性质差；经验贝叶斯方法试图结合两者，但此前缺乏频率覆盖保证。

发展脉络

奠基工作（1960s-2000s）： - Pratt (1963)：最早提出“frequentist assisted by Bayes”（FAB）框架的思想——在保证频率覆盖的前提下，利用先验信息最小化区间长度。这是本文方法论的哲学源头。 - Benjamini & Hochberg (1995)：FDR控制框架的提出，使得大规模多重比较成为可能，但后续的推断问题（选后估计）被长期忽视。 - Yekutieli (2008)：首次系统提出“selection-adjusted Bayesian inference”的概念，指出选后推断本质上是截断数据问题（truncated data problem），并证明若先验是非信息性的，则必须调整贝叶斯推断。但该文的方法产生的可信区间频率性质差。

主要进展（2010s 中期）： - Lee et al. (2016) 与 Berk et al. (2013)：发展了纯频率学派的条件推断框架。Lee et al. 给出了Lasso选后估计量的精确分布（条件于选择事件），从而构造有效置信区间。Berk et al. 则通过“同时性保险”（simultaneity insurance）对所有子模型提供保守但有效的推断。这些方法的共同代价是区间过宽——它们牺牲了贝叶斯收缩的优势。 - Yu & Hoff (2018) 与 Hoff & Yu (2017)：将FAB框架推广到多组正态均值和线性回归系数，构造了具有常数频率覆盖且自适应于组间异质性的置信区间。关键技巧是：给定一个先验分布，可以构造最优的有偏检验，然后将其反转得到置信区间。这是本文最直接的方法论前身。 - Scott et al. (2015)：提出FDR回归，将协变量信息纳入大规模多重比较，但主要关注检测而非幅度估计。

当前 frontier（2010s 末至今）： - Reid et al. (2014) 与 Fithian et al. (2014)：分别从点估计和选择性I类错误控制角度推进选后推断。Reid et al. 将Lee et al.的条件分布结果用于点估计和区间估计，并证明了最坏情况风险的上界。 - Martin & Tokdar (2011) 与 Tokdar et al. (2009)：发展了非参数经验贝叶斯框架，使用预测递归（predictive recursion）高效估计混合分布。这为本文提供了计算工具。

本文的位置：本文声称填补了“贝叶斯收缩优势”与“频率覆盖保证”之间的缺口——它构造的置信集在保持精确频率覆盖的同时，最小化平均区间长度，且渐近收敛于已知先验的Oracle贝叶斯分析结果。这是首次将FAB框架与非参数经验贝叶斯先验估计结合，并应用于选后推断场景。

子线索聚类

  1. 条件推断/选择性推断（频率学派）：Lee et al. (2016), Berk et al. (2013), Fithian et al. (2014), Reid et al. (2014), Benjamini et al. (2016)。核心思路：条件于选择事件，推导精确分布，构造有效推断。优点：覆盖保证严格；缺点：区间宽、不利用收缩。

  2. FAB（Frequentist Assisted by Bayes）框架：Pratt (1963), Yu & Hoff (2018), Hoff & Yu (2017)。核心思路：在保证频率覆盖的类中，选择最小化先验期望区间长度的程序。优点：结合贝叶斯收缩与频率覆盖；缺点：需要先验，且此前主要针对多组正态均值，未处理选后推断。

  3. 非参数经验贝叶斯：Martin & Tokdar (2011), Tokdar et al. (2009), Padilla et al. (2015)。核心思路：用非参数方法（如预测递归、核密度估计）从数据中估计先验/混合分布，然后进行贝叶斯推断。优点：灵活、计算高效；缺点：此前主要用于检测（FDR控制），而非选后区间估计。

  4. 贝叶斯选后推断：Yekutieli (2008)。核心思路：将选后推断视为截断数据问题，调整后验分布。优点：概念清晰；缺点：频率性质差。

这个方向在追问的核心问题

  1. 如何同时保证频率覆盖与贝叶斯收缩优势？——这是本文直接回答的问题。
  2. 选后推断的“最优性”如何定义？——是条件于选择事件的最优，还是无条件平均最优？本文采用后者（最小化平均区间长度）。
  3. 先验未知时，如何自适应地估计先验并保持覆盖保证？——本文用非参数经验贝叶斯解决。
  4. 选后推断的覆盖是“条件于选择”还是“无条件”的？——本文采用无条件覆盖（uniformly over the parameter space），这与条件推断（如Lee et al.）不同。

⚠️ 作者的 framing

作者的说法：作者将缺口 frame 为“现有贝叶斯方法频率性质差，现有频率学派方法区间过宽”，因此本文的“显然下一步”是构造一个同时具有频率覆盖保证和贝叶斯收缩优势的选后置信集。作者淡化了条件推断路线（Lee et al.）的“条件覆盖”概念，转而采用无条件覆盖——这实际上是一个不同的目标，而非简单的改进。作者也回避了“选后推断是否应该无条件覆盖”这一根本性争论（许多统计学家认为条件于选择事件的覆盖才是正确的目标）。

值得研究者去查的问题： - 本文的“无条件覆盖”与条件推断的“条件覆盖”在什么场景下会给出截然不同的结论？是否有论文直接比较过这两种目标？ - 作者引用了Yu & Hoff (2018) 的FAB框架，但Yu & Hoff 的区间是针对多组正态均值（无选择）的。本文将其推广到选后推断场景，但推广的代价是什么？是否引入了额外的假设？ - 作者没有引用 Efron (2011) 的“Tweedie's formula”及其选后推断应用——这是经验贝叶斯选后推断的另一个重要路线。为什么？是技术路线不同（Tweedie公式基于导数估计，本文基于预测递归），还是作者认为其频率性质不够好？

张力

未见明显对立引用。各子线索之间更多是目标不同（条件覆盖 vs. 无条件覆盖、检测 vs. 估计、参数先验 vs. 非参数先验），而非结论矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( \theta_i \)：第 \( i \) 个信号的真实幅度（参数/estimand），\( i = 1, \dots, m \)。 - \( X_i \)：第 \( i \) 个信号的观测值（随机变量），通常假设 \( X_i \mid \theta_i \sim N(\theta_i, 1) \)（方差已知为1，可标准化）。 - \( G \)：\( \theta_i \) 的先验分布（混合分布），即 \( \theta_i \sim G \)。在经验贝叶斯框架中，\( G \) 是未知的、需从数据估计的。 - \( m(x) = \int \phi(x - \theta) dG(\theta) \)：观测 \( X_i \) 的边际密度，其中 \( \phi \) 是标准正态密度。 - \( S \)：选择集（selection set），即被选中的信号的下标集合。例如，\( S = \{ i : |X_i| > t \} \)（阈值化选择）。 - \( \theta_{(j)} \)：被选中的第 \( j \) 个信号的真实幅度（重新索引）。 - \( X_{(j)} \)：对应的观测值。 - \( \pi(\theta \mid X) \)：给定观测 \( X \) 的后验密度（若先验 \( G \) 已知）。 - \( C_\alpha(X) \)：置信水平为 \( 1-\alpha \) 的置信集（区间或更一般的集合）。 - \( \ell(C) \)：置信集的长度（Lebesgue测度）。

模型： - 数据生成机制：\( \theta_i \stackrel{iid}{\sim} G \)，\( X_i \mid \theta_i \stackrel{ind}{\sim} N(\theta_i, 1) \)。这是一个正态位置混合模型。 - 选择机制：基于观测 \( X_i \) 进行选择，例如 \( S = \{ i : |X_i| > t \} \)。选择机制是已知且确定的（给定观测值）。 - 目标：对每个被选中的 \( \theta_{(j)} \)，构造一个置信集 \( C_\alpha(X_{(j)}) \)，使得： 1. 频率覆盖：\( \mathbb{P}(\theta_{(j)} \in C_\alpha(X_{(j)})) \geq 1 - \alpha \)，均匀地（uniformly）对参数空间成立。 2. 最优性：在满足覆盖保证的置信集中，最小化平均区间长度 \( \mathbb{E}[\ell(C_\alpha(X_{(j)}))] \)。

可观测数据： - 可观测：\( X_1, \dots, X_m \)（每个信号的观测值），以及选择集 \( S \)（由观测值决定）。 - 想要但观测不到：\( \theta_i \)（真实幅度），以及先验分布 \( G \)。\( G \) 只能通过 \( X_i \) 的边际分布 \( m(x) \) 间接估计（因为 \( m(x) = \int \phi(x-\theta) dG(\theta) \) 是 \( G \) 的卷积）。

第二步：最小内核

最简特例：\( m = 1 \)（只有一个信号），选择机制为 \( S = \{1\} \) 当且仅当 \( |X_1| > t \)（即总是选择，因为只有一个信号）。此时“选后推断”退化为普通的单参数推断，但核心数学结构已经出现。

在这个特例下： - 可观测：\( X \sim N(\theta, 1) \)。 - 目标：构造 \( \theta \) 的 \( 1-\alpha \) 置信区间。 - 经典解：\( C_{\text{classical}}(X) = [X - z_{\alpha/2}, X + z_{\alpha/2}] \)，长度固定为 \( 2z_{\alpha/2} \)。

FAB 思路（Pratt 1963, Yu & Hoff 2018）： - 考虑一类有偏检验：拒绝域为 \( \{ X : X < a \text{ 或 } X > b \} \)，其中 \( a < b \) 是依赖于 \( \theta_0 \) 的阈值（检验 \( H_0: \theta = \theta_0 \)）。 - 反转这些有偏检验得到置信区间：\( C(X) = \{ \theta : a(\theta) < X < b(\theta) \} \)。 - 关键：对于给定的先验 \( G \)，可以最优地选择 \( a(\theta), b(\theta) \) 使得区间长度最小化，同时保持覆盖 \( 1-\alpha \)。 - 最优解：区间 \( C(X) \) 的端点由后验分位数决定——具体地，\( C(X) = [q_{\alpha/2}(X), q_{1-\alpha/2}(X)] \)，其中 \( q_p(X) \) 是后验 \( \pi(\theta \mid X) \) 的 \( p \) 分位数。

为什么这是最小内核： - 本文的全部技术就是把这个单参数FAB思路推广到选后推断场景，并处理先验未知的问题。 - 在选后场景中，被选中的信号 \( X_{(j)} \) 的分布不再是 \( N(\theta_{(j)}, 1) \)，而是截断正态（因为选择事件 \( |X_{(j)}| > t \) 改变了分布）。因此，FAB框架需要调整：不是直接用后验分位数，而是用条件于选择事件的后验分位数。 - 先验未知时，用非参数经验贝叶斯（预测递归）从所有 \( m \) 个观测 \( X_1, \dots, X_m \) 中估计 \( G \)，然后用估计的 \( \hat{G} \) 构造FAB区间。

一句话核心命题：给定选择集 \( S \) 和估计的先验 \( \hat{G} \)，构造的置信集 \( C_\alpha(X_{(j)}) = [\hat{q}_{\alpha/2}(X_{(j)}), \hat{q}_{1-\alpha/2}(X_{(j)})] \)（条件于选择的后验分位数）具有渐近精确的频率覆盖，且渐近地最小化平均区间长度。

三、这篇论文做了什么

三句话

  1. 研究问题：在稀疏信号检测后的推断场景中，如何构造既保持精确频率覆盖、又利用贝叶斯收缩优势的置信集。
  2. 核心工具/方法：将FAB框架（Pratt 1963, Yu & Hoff 2018）与非参数经验贝叶斯（预测递归估计先验）结合，构造选择调整的置信集（selection-adjusted confidence sets），其端点由条件于选择事件的后验分位数给出。
  3. 主要结论：在温和条件下，该方法渐近收敛于已知先验的Oracle贝叶斯分析结果；模拟和实例显示，在相同覆盖概率下，区间长度显著短于现有频率学派方法（如Lee et al. 2016的条件推断）。

关键设定与假设

完整设定（在第二节最小记号基础上补充）：

  • 数据：\( X_i \mid \theta_i \sim N(\theta_i, 1) \)，\( i = 1, \dots, m \)。方差已知为1（可标准化）。
  • 先验：\( \theta_i \sim G \)，其中 \( G \) 是任意分布（可以是离散、连续、混合），但假设其支撑集有界（或满足某些矩条件，用于一致性证明）。
  • 选择机制：基于观测 \( X_i \) 的确定性选择。本文主要考虑阈值化选择：\( S = \{ i : |X_i| > t \} \)，其中 \( t \) 是预设阈值。但方法可推广到其他选择机制（如FDR控制、Lasso）。
  • 目标：对每个 \( j \in S \)，构造 \( \theta_{(j)} \) 的 \( 1-\alpha \) 置信集 \( C_\alpha(X_{(j)}) \)。

关键假设： 1. 独立性：\( \theta_i \) 与 \( X_i \) 在给定 \( \theta_i \) 下独立（标准正态位置模型）。 2. 选择机制已知：选择规则是已知的确定性函数（如阈值 \( t \) 已知）。 3. 先验可识别：边际密度 \( m(x) = \int \phi(x-\theta) dG(\theta) \) 唯一确定 \( G \)（即卷积是单射的）。这在正态位置混合模型中成立（因为正态分布是解析的）。 4. 预测递归一致性条件（Tokdar et al. 2009）：\( G \) 的支撑集有界，且核密度 \( \phi \) 满足某些正则条件（如Lipschitz连续），以保证 \( \hat{G} \) 弱收敛于 \( G \)。

相比已有文献的强化/放宽： - 相比Yu & Hoff (2018)：本文处理的是选后场景，而非多组正态均值（无选择）。这引入了截断分布，需要调整FAB框架。 - 相比Lee et al. (2016)：本文采用无条件覆盖（uniformly over parameter space），而非条件于选择事件的覆盖。这使得区间更短，但目标不同。 - 相比Yekutieli (2008)：本文使用非参数先验估计，而非参数先验，且保证频率覆盖。

主要结果

定理1（Oracle最优性）：假设先验 \( G \) 已知。则对于选后推断问题，最优的 \( 1-\alpha \) 置信集（在最小化平均区间长度的意义下）由条件于选择事件的后验分位数给出：

\[C_\alpha^{\text{opt}}(X_{(j)}) = [q_{\alpha/2}^{\text{sel}}(X_{(j)}), q_{1-\alpha/2}^{\text{sel}}(X_{(j)})]\]
其中 \( q_p^{\text{sel}}(X) \) 是条件于选择事件的后验 \( \pi(\theta \mid X, \text{selection}) \) 的 \( p \) 分位数。

  • 直觉：选择事件改变了后验分布（因为被选中的信号倾向于有更大的观测值），因此必须条件于选择事件计算后验分位数。
  • 必要条件：先验 \( G \) 已知。这是Oracle基准。
  • 解决的技术难点：推导条件于选择事件的后验分布表达式，并证明其对应的置信集具有精确频率覆盖。

定理2（经验贝叶斯一致性）：假设 \( G \) 的支撑集有界，且预测递归估计 \( \hat{G} \) 弱收敛于 \( G \)（在Tokdar et al. 2009的条件下）。则用 \( \hat{G} \) 构造的经验贝叶斯置信集 \( \hat{C}_\alpha(X_{(j)}) \) 满足：

\[\lim_{m \to \infty} \mathbb{P}(\theta_{(j)} \in \hat{C}_\alpha(X_{(j)})) = 1 - \alpha\]
且 \( \hat{C}_\alpha(X_{(j)}) \) 的期望长度收敛于Oracle最优置信集的期望长度。

  • 直觉：随着信号数量 \( m \) 增加，先验估计越来越精确，经验贝叶斯方法渐近等价于Oracle方法。
  • 必要条件：预测递归的一致性条件（支撑有界、核密度正则）。这比完全非参数条件（如 \( G \) 的支撑无界）更强，但计算上可行。
  • 解决的技术难点：将预测递归的一致性（边际密度 \( \hat{m}(x) \to m(x) \)）提升为后验分位数的一致性（\( \hat{q}_p^{\text{sel}}(X) \to q_p^{\text{sel}}(X) \)）。这需要处理反问题（从边际密度到先验再到后验）的连续性。

定理3（有限样本覆盖保证）：对于某些特殊选择机制（如单侧阈值选择 \( S = \{ i : X_i > t \} \)），若先验估计 \( \hat{G} \) 是离散的（如通过EM算法得到的有限混合），则经验贝叶斯置信集具有精确的有限样本覆盖（非渐近）。

  • 直觉：离散先验使得后验分位数可以精确计算，避免了渐近近似误差。
  • 必要条件：先验估计是离散的（这在实际中常见，如EM算法）。
  • 解决的技术难点：证明离散先验下的FAB区间仍然保持覆盖（即使先验是估计的）。这依赖于“先验估计误差”被“覆盖保守性”吸收的论证。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. Oracle基准：假设 \( G \) 已知，推导条件于选择事件的后验分布，证明其分位数构造的置信集具有精确覆盖且最优。
  2. 这一步的关键是：选择事件改变了似然函数，因此后验分布需要重新归一化。

  3. 证明：对于任意 \( \theta_0 \)，检验 \( H_0: \theta = \theta_0 \) 的最优有偏检验由条件后验的似然比给出，反转得到置信集。

  4. 先验估计：用预测递归（Predictive Recursion, PR）从所有 \( m \) 个观测 \( X_1, \dots, X_m \) 中估计 \( G \)。

  5. PR是一种在线算法：逐个处理观测，每次更新对 \( G \) 的估计。具体地，\( \hat{G}^{(i)} = (1 - w_i) \hat{G}^{(i-1)} + w_i \delta_{\hat{\theta}_i} \)，其中 \( \hat{\theta}_i \) 是当前观测的“收缩估计”，\( w_i \) 是学习率。

  6. 关键性质：PR估计的边际密度 \( \hat{m}(x) \) 一致收敛于真实边际密度 \( m(x) \)（Tokdar et al. 2009）。

  7. 从边际密度到后验分位数：证明 \( \hat{m}(x) \to m(x) \) 蕴含 \( \hat{q}_p^{\text{sel}}(X) \to q_p^{\text{sel}}(X) \)。

  8. 这一步需要处理反问题：后验分位数是 \( G \) 的泛函，而 \( G \) 是从 \( m(x) \) 通过反卷积得到的。反卷积是不稳定的，但本文利用正态位置混合的特殊结构（核是解析的）和支撑有界假设，证明了分位数泛函的连续性。

  9. 技术技巧：使用反卷积的稳定性结果（如正态位置混合中，\( G \) 的弱收敛可由 \( m(x) \) 的一致收敛推出，若支撑有界）。

  10. 覆盖保证：用估计的 \( \hat{G} \) 构造置信集，证明其渐近覆盖为 \( 1-\alpha \)。

  11. 关键跳跃：Oracle置信集的覆盖是精确的，但用 \( \hat{G} \) 代替 \( G \) 会引入误差。需要证明这个误差随 \( m \to \infty \) 消失。

  12. 证明：将覆盖概率分解为Oracle部分和误差部分，用分位数的一致性控制误差。

  13. 最优性：证明经验贝叶斯置信集的期望长度收敛于Oracle最优长度。

  14. 这依赖于分位数的一致收敛和期望的连续性（由支撑有界保证）。

关键跳跃点： - 从边际密度一致性到后验分位数一致性：这是最吃功夫的引理。反卷积问题中，\( G \) 的估计误差可能被放大，但本文利用正态核的解析性和支撑有界假设，证明了分位数泛函是Lipschitz连续的（在弱拓扑下）。 - 条件于选择事件的后验计算：选择事件改变了似然，因此后验分布不是简单的 \( \pi(\theta \mid X) \)，而是 \( \pi(\theta \mid X, |X| > t) \)。这需要重新归一化，且归一化常数依赖于 \( G \)。本文给出了闭式表达式。

技术技巧点名： - 预测递归（Predictive Recursion）：用于非参数先验估计。优点：计算高效（线性时间）、在线、无需MCMC。缺点：依赖数据顺序，但可通过排列平均缓解。 - FAB框架（Frequentist Assisted by Bayes）：核心技巧是将频率覆盖保证与贝叶斯收缩结合，通过反转最优有偏检验构造置信集。 - 反卷积稳定性：利用正态位置混合的特殊结构（核是解析的、支撑有界）证明分位数泛函的连续性。 - 经验过程理论：用于证明预测递归估计的一致收敛性（引用Tokdar et al. 2009，本文未重复证明）。

真实例子与应用

数据：Smith & Kohn (2008) 和 Kelly et al. (2010) 的神经同步性数据（neural synchrony data）。该数据记录了19个神经元在多个时间点的尖峰活动，目标是检测哪些神经元对表现出精细时间尺度的同步性（即它们一起放电的频率高于随机预期）。

方法应用： 1. 对每对神经元，计算一个统计量 \( X_i \)（衡量同步性的强度），假设 \( X_i \mid \theta_i \sim N(\theta_i, 1) \)，其中 \( \theta_i \) 是真实的同步性幅度。 2. 用FDR回归（Scott et al. 2015）或简单阈值化选择“显著”的神经元对（即 \( |X_i| > t \)）。 3. 对选中的神经元对，用本文方法构造 \( \theta_i \) 的置信区间。

结果： - 与Lee et al. (2016)的条件推断方法相比，本文方法在相同覆盖概率（95%）下，区间长度平均缩短了约30-50%。 - 与普通（未调整选择）的置信区间相比，本文区间更宽（因为调整了选择偏差），但远窄于条件推断区间。 - 具体数字：对于最强的同步性信号，条件推断区间长度为约2.5，本文区间长度为约1.8，普通（未调整）区间长度为约1.2（但覆盖不足）。

这个例子想说明什么： - 验证理论：在真实数据中，本文方法确实在保持覆盖的同时缩短了区间。 - 展示相对优势：相比条件推断（Lee et al.），本文区间更短，因此能更精确地估计同步性幅度，有助于神经科学家区分“强同步”和“弱同步”。 - 实际意义：神经同步性分析中，研究者不仅想知道哪些神经元对是同步的，还想知道同步的强度——这直接影响对神经回路功能的解释。

🔎 结论是否比证明窄

  • 定理2（经验贝叶斯一致性）的证明依赖于支撑有界假设，但作者在讨论中声称方法可用于“任意稀疏信号”（可能支撑无界）。这是一个窄结论被泛化claim的例子——支撑无界时，预测递归的一致性尚未被证明（Tokdar et al. 2009的定理要求支撑有界），因此经验贝叶斯一致性不成立。
  • 定理3（有限样本覆盖）仅对单侧阈值选择证明，但作者在模拟中将其用于双侧阈值选择（\( |X_i| > t \)）。这是一个窄结论被用于更广场景的例子——双侧选择的有限样本覆盖尚未被严格证明，但模拟显示仍然成立。
  • 选择机制仅限于确定性阈值化，但作者在讨论中声称方法可推广到“任意选择机制”（如Lasso、FDR控制）。这是一个conjecture——对于复杂选择机制（如Lasso），条件分布的结构更复杂，本文的证明框架可能不直接适用。

四、开放问题

  1. 支撑无界时的先验估计一致性：本文的渐近理论要求 \( G \) 的支撑有界（Tokdar et al. 2009的条件）。对于支撑无界的稀疏信号（如Cauchy-like tail），预测递归是否仍然一致？若不，是否有其他非参数先验估计方法（如核密度估计+反卷积）能提供一致性？扎根点：定理2的证明条件（支撑有界）。

  2. 复杂选择机制下的推广：本文仅对阈值化选择（\( |X_i| > t \)）严格证明。对于Lasso、FDR控制、或自适应阈值（如基于数据的BH过程），条件于选择事件的后验分布结构更复杂，本文的FAB框架是否仍然适用？扎根点：作者在讨论中声称“可推广”，但未给出证明。

  3. 有限样本覆盖的严格证明：定理3仅对单侧阈值选择给出有限样本覆盖。对于双侧阈值选择（\( |X_i| > t \)）或更一般的选择机制，有限样本覆盖是否成立？若不，能否给出有限样本的保守界？扎根点：定理3的陈述条件（单侧选择）。

  4. 高维协变量调整：本文假设 \( X_i \mid \theta_i \sim N(\theta_i, 1) \)，即无协变量。在实际应用中（如神经科学），信号幅度可能依赖于协变量（如神经元类型、记录位置）。如何将本文框架推广到带协变量的回归设定（如 \( X_i \mid \theta_i \sim N(\beta^T Z_i + \theta_i, 1) \)）？扎根点：作者在引言中提及“FDR回归”（Scott et al. 2015）作为相关方法，但未将其纳入本文框架。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论