跳转至

A tradeoff between false discovery and true positive proportions for sparse high-dimensional logistic regression

作者: Jing Zhou, Gerda Claeskens
来源: Electronic Journal of Statistics
主题: 高维统计 / 随机矩阵
相关性: 6/10
链接: https://doi.org/10.1214/23-ejs2204

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是稀疏高维分类模型（逻辑回归）中，正则化变量选择方法的假发现率（FDR）与真阳性率（TPR）之间的内在权衡关系。其根本问题是：在 \( n/p \to \delta > 0 \) 的渐近框架下，当使用 MCP、SCAD 等折叠凹正则化方法进行变量选择时，FDR 和 TPR 能否被一个确定的、由模型参数决定的函数所描述？如果能，这个函数是什么？它如何帮助我们进行样本量计算和 FDR 校准？当前成熟度：这是一个理论驱动的分析，建立在高维统计和稀疏回归的经典文献之上，但将焦点从“估计误差”转向了“选择性能的权衡”。

发展脉络（history）

  1. 奠基工作：高维稀疏回归的正则化理论

    • Fan & Li (2001)：提出了 SCAD 正则化，开创了折叠凹正则化（folded-concave regularization）的先河，证明了其 Oracle 性质。这是本文方法的基础。
    • Zhang (2010)：提出了 MCP 正则化，进一步明确了折叠凹正则化的理论性质。本文的分析直接建立在 MCP/SCAD 之上。
    • Zhao & Yu (2006)：提出了 Irrepresentable Condition，为 Lasso 的模型选择一致性提供了充分必要条件。本文的“平均分量”分析框架是对这种“逐分量”条件的放松。

  2. 主要进展：从“估计误差”到“选择性能”

    • Fan, Guo & Hao (2012)：首次在稀疏线性回归中，推导了 Lasso 和 SCAD 的 FDR 与 TPR 之间的权衡函数。本文的核心工作是将这个权衡分析从线性回归推广到逻辑回归，这是一个非平凡的非线性模型推广。
    • Barber & Candès (2015)：提出了 model-X knockoff 方法，能在有限样本下精确控制 FDR。本文将其作为比较基准，并推导了其渐近权衡曲线，从而将不同选择方法（正则化 vs. knockoff）放在同一个“权衡曲线”框架下比较。

  3. 当前 frontier 与本文的位置

    • 当前前沿在于：将这种“选择性能”的权衡分析推广到更复杂的模型（如逻辑回归、Cox 模型），并发展出基于权衡曲线的实用工具（如样本量计算、FDR 校准）。
    • 本文的位置：它直接继承了 Fan, Guo & Hao (2012) 的线性回归权衡分析，并将其成功推广到逻辑回归。它同时引入了 model-X knockoff 作为比较对象，展示了如何用权衡曲线来比较不同方法。它没有提出新的正则化方法，而是为现有方法（MCP/SCAD）提供了更深入的选择性能理论。

子线索聚类

  1. 折叠凹正则化理论：以 Fan & Li (2001) 和 Zhang (2010) 为代表，研究 MCP、SCAD 等正则化方法的 Oracle 性质和估计误差。本文属于这一簇，但将分析焦点从“估计”转向了“选择”。
  2. 高维变量选择的 FDR 控制：以 Barber & Candès (2015) 的 model-X knockoff 为代表，目标是精确控制 FDR。本文将其作为比较对象，并指出其权衡曲线与正则化方法不同。
  3. 选择性能的权衡分析：以 Fan, Guo & Hao (2012) 为直接前驱，研究 FDR 与 TPR 之间的渐近关系。本文是这一簇在逻辑回归上的直接推广。

这个方向在追问的核心问题

  1. 权衡函数的存在性与形式：对于给定的模型（逻辑回归）和正则化方法（MCP/SCAD），是否存在一个由模型参数（\( \delta, \beta_0, \sigma^2 \) 等）决定的、描述 FDR 与 TPR 之间非线性关系的函数？
  2. 权衡函数的应用：这个函数能否用于实际统计推断，例如：给定期望的 FDR 和 TPR，需要多大的样本量？如何根据权衡函数来校准 FDR，使其更接近名义水平？
  3. 不同方法的比较：如何在一个统一的框架下比较不同变量选择方法（如正则化 vs. knockoff）的 FDR-TPR 权衡？权衡曲线是否提供了比单一指标（如 FDR 控制能力）更全面的信息？
  4. “平均分量”框架的普适性：这种不依赖 beta-min 条件的“平均分量”渐近分析，能否推广到其他广义线性模型（如 Poisson 回归）或更一般的 M-estimation 框架？

当前主流方法与已知瓶颈：主流方法是基于 Lasso 或折叠凹正则化的变量选择，其瓶颈在于：1) 理论分析多集中在估计误差（\( \ell_2 \) 范数），对选择性能（FDR/TPR）的理论刻画不足；2) 现有的 FDR 控制方法（如 knockoff）虽然精确，但可能以牺牲 TPR 为代价；3) 缺乏一个统一的、可操作的框架来指导实际应用中的样本量规划和 FDR 校准。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将缺口 frame 为“在逻辑回归中，正则化方法的 FDR-TPR 权衡函数尚未被推导”。他们声称，虽然 Fan, Guo & Hao (2012) 在线性回归中做了类似工作，但逻辑回归的非线性性质使得分析更具挑战性，且他们的“平均分量”框架不依赖 beta-min 条件，更具普适性。他们进一步将 model-X knockoff 纳入比较，声称其权衡曲线可以“揭示不同选择方法的本质差异”。
  • 哪些竞争路线被他淡化或回避了：作者淡化了Lasso。虽然他们声称分析适用于“一大类正则化方法”，但全文的定理和模拟都聚焦于 MCP 和 SCAD。Lasso 由于其非 Oracle 性质（有偏估计），其 FDR-TPR 权衡可能更差，作者没有直接讨论。他们也回避了基于重抽样（如 bootstrap）的 FDR 控制方法，没有将其纳入比较。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：作者没有引用 Javanmard & Montanari (2014, 2018) 关于高维线性回归中基于去偏 Lasso 的置信区间和假设检验的工作。这些工作也涉及 FDR 控制（如 BH 过程），且与本文的“平均分量”渐近框架有潜在联系。这是一个值得研究者去查的 gap：去偏 Lasso 的 FDR 控制与本文的权衡函数有何关系？

张力

未见明显对立引用。所有被引工作（Fan & Li, Zhang, Fan, Guo & Hao, Barber & Candès）在各自的设定下都是自洽的，本文的工作是它们的自然延伸和综合。

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：

    • \( n \)：样本量。
    • \( p \)：预测变量维度。
    • \( \delta = n/p \)：样本量与维度的比值，假设 \( \delta > 0 \)。
    • \( (X_i, Y_i) \)：第 \( i \) 个观测样本，\( X_i \in \mathbb{R}^p \) 是预测变量，\( Y_i \in \{0, 1\} \) 是二元响应变量。
    • \( \beta^* \in \mathbb{R}^p \)：真实的回归系数向量，是要估的参数。
    • \( S = \{j: \beta^*_j \neq 0\} \)：非零系数的集合（信号集），其大小 \( |S| = s \)。
    • \( \hat{S} \)：通过正则化方法估计出的非零系数集合。
    • \( \text{FDP} = \frac{|\hat{S} \setminus S|}{|\hat{S}| \vee 1} \)：假发现比例（False Discovery Proportion），是随机变量。
    • \( \text{FDR} = \mathbb{E}[\text{FDP}] \)：假发现率（False Discovery Rate），是期望。
    • \( \text{TPR} = \frac{|\hat{S} \cap S|}{|S|} \)：真阳性率（True Positive Rate），是随机变量。
    • \( \beta_0 \)：非零系数的平均强度（一个标量），是要估的参数。
    • \( \sigma^2 \)：潜在变量（latent variable）的方差，用于定义信号强度。
    • \( \lambda \)：正则化参数。
    • \( \rho \)：预测变量之间的相关性参数（假设为等相关结构）。

  • 模型：

    • 数据生成机制：\( Y_i \sim \text{Bernoulli}(\pi_i) \)，其中 \( \pi_i = P(Y_i=1 | X_i) = \frac{\exp(X_i^\top \beta^*)}{1 + \exp(X_i^\top \beta^*)} \)。这是一个标准的逻辑回归模型。
    • 稀疏性假设：\( s = |S| \) 远小于 \( p \)，即只有少数预测变量对响应有影响。
    • 已知/未知：\( X_i \) 和 \( Y_i \) 是可观测的；\( \beta^* \)、\( S \)、\( \beta_0 \)、\( \sigma^2 \) 是未知的、要推断的对象。
    • 正则化估计：\( \hat{\beta} = \arg\min_{\beta} \left\{ -\frac{1}{n} \sum_{i=1}^n [Y_i \log(\pi_i) + (1-Y_i) \log(1-\pi_i)] + \sum_{j=1}^p p_\lambda(|\beta_j|) \right\} \)，其中 \( p_\lambda(\cdot) \) 是 MCP 或 SCAD 正则化惩罚函数。

  • 可观测数据：

    • 可观测：\( n \) 个独立同分布的样本 \( \{(X_i, Y_i)\}_{i=1}^n \)。\( X_i \) 是 \( p \) 维向量，\( Y_i \) 是 0/1 标量。
    • 潜在/不可观测：真实的系数向量 \( \beta^* \) 和信号集 \( S \) 是未知的。模型的似然函数是已知的，但参数是未知的。

第二步：讲最小内核

本文的核心思路可以浓缩为一个最简特例：单变量逻辑回归（\( p=1 \)）。在这个特例下，所有高维的复杂性都消失了，但 FDR-TPR 权衡的核心数学困难依然存在。

  • 最简特例设定：

    • 设 \( p=1 \)，只有一个预测变量 \( X \)。真实模型为 \( P(Y=1|X) = \frac{\exp(\beta^* X)}{1 + \exp(\beta^* X)} \)，其中 \( \beta^* \) 是标量。
    • 假设 \( \beta^* \neq 0 \)，所以 \( s=1 \)。我们想通过正则化逻辑回归来估计 \( \beta^* \)，并判断它是否非零。
    • 正则化方法（如 MCP）会得到一个估计 \( \hat{\beta} \)。如果 \( |\hat{\beta}| > \tau \)（某个阈值，通常与正则化参数 \( \lambda \) 有关），则变量被选入模型（\( \hat{S} = \{1\} \)）；否则不被选入（\( \hat{S} = \emptyset \)）。

  • 核心问题退化成什么：

    • 在这个单变量例子中，FDR 和 TPR 的定义退化为：
      • \( \text{FDR} = P(\hat{S} = \{1\} | \beta^* = 0) \)（如果真实系数为 0，我们错误地选择了它）。
      • \( \text{TPR} = P(\hat{S} = \{1\} | \beta^* \neq 0) \)（如果真实系数非零，我们正确地选择了它）。
    • 所以，FDR 就是第一类错误（Type I error），TPR 就是统计功效（Power）。FDR-TPR 权衡退化为经典的统计检验中的第一类错误与功效的权衡。

  • 核心数学困难与关键想法：

    • 困难：在逻辑回归中，\( \hat{\beta} \) 的分布没有闭式解，其渐近分布依赖于未知的 \( \beta^* \)。因此，无法像线性回归那样直接写出 FDR 和 TPR 的显式表达式。
    • 关键想法：作者采用“平均分量”框架。在单变量情形下，这相当于固定 \( \beta^* \) 和 \( X \) 的分布，然后通过解一个由六个参数决定的系统方程来近似 FDR 和 TPR。这六个参数包括 \( \delta, \beta_0, \sigma^2, \lambda, \rho \) 等。这个系统方程本质上是将正则化估计量的渐近行为（如选择概率）与模型参数联系起来。
    • 怎么破：作者没有试图推导 \( \hat{\beta} \) 的精确分布，而是利用折叠凹正则化的 Oracle 性质（在理想情况下，它知道哪些变量是信号，哪些是噪声），并假设在“平均”意义上，信号和噪声变量的估计量行为可以被一组参数化方程所描述。他们通过数值求解这个系统方程来得到 FDR 和 TPR 的近似值。

  • 结论：在这个单变量特例下，本文的定理退化为：存在一个由 \( \delta, \beta_0, \sigma^2, \lambda \) 等参数决定的函数 \( f \)，使得 \( \text{TPR} \approx f(\text{FDR}) \)。这个函数是单调递减的（降低 FDR 会牺牲 TPR），且其具体形状由模型参数决定。多变量（高维）情形只是这个单变量分析的“加壳”——通过“平均分量”假设，将高维问题分解为多个“平均意义”上的单变量问题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在稀疏高维逻辑回归中，使用 MCP/SCAD 等折叠凹正则化方法进行变量选择时，其假发现率（FDR）与真阳性率（TPR）之间的渐近权衡关系。
  2. 核心工具/方法：采用“平均分量”（average-over-components）渐近分析框架，推导出一个由六个参数决定的非线性系统方程来描述 FDR-TPR 权衡函数；并将此分析扩展到 model-X knockoff 方法以进行比较。
  3. 主要结论：FDR 和 TPR 之间存在一个由模型参数（\( \delta, \beta_0, \sigma^2 \) 等）决定的非线性权衡函数；基于此函数，可以开发出样本量计算和 FDR 校准两种实用程序；与 model-X knockoff 的权衡曲线比较揭示了不同选择方法的本质差异。

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：

  • 关键定义：

    • “平均分量”渐近：作者不要求每个非零系数 \( \beta^*_j \) 都大于某个 beta-min 条件，而是假设所有非零系数的“平均强度” \( \beta_0 = \frac{1}{s} \sum_{j \in S} |\beta^*_j| \) 是固定的。这是对传统稀疏性假设的放松。
    • 信号强度：\( \kappa = \frac{\beta_0}{\sigma} \)，其中 \( \sigma^2 \) 是潜在变量（latent variable）的方差，用于归一化信号强度。
    • 相关性结构：假设预测变量 \( X \) 具有等相关结构（equi-correlation），即 \( \text{Corr}(X_j, X_k) = \rho \) 对所有 \( j \neq k \)。这是一个很强的简化假设，但使得分析可处理。

  • 关键假设：

    • A1 (线性增长)：\( n/p \to \delta > 0 \)。这是高维统计的标准假设，允许 \( p > n \) 或 \( n > p \)。
    • A2 (稀疏性)：\( s/p \to 0 \)。信号是稀疏的。
    • A3 (信号强度)：\( \kappa \) 是固定的常数。信号强度不随 \( n, p \) 变化。
    • A4 (正则化参数)：\( \lambda \) 的选择使得 \( \lambda / \sigma \to c \) 为常数。这是为了确保正则化效果在渐近下是稳定的。
    • A5 (Oracle 性质)：假设折叠凹正则化方法（MCP/SCAD）具有 Oracle 性质，即当 \( n \to \infty \) 时，它能以概率 1 正确识别信号集 \( S \)。这个假设是推导权衡函数的基础，但作者在有限样本分析中放松了它。

  • 相比已有文献的放宽或强化：

    • 放宽：相比 Fan, Guo & Hao (2012) 在线性回归中的工作，本文将其推广到非线性的逻辑回归。相比传统的 beta-min 条件，本文的“平均分量”框架不要求每个信号都强，只要求平均强度固定。
    • 强化：引入了等相关结构假设（\( \rho \)），这在 Fan, Guo & Hao (2012) 中可能不是必须的。这个假设是为了简化分析，但限制了结果的普适性。

主要结果

  • 定理 1 (FDR-TPR 权衡函数的存在性)：

    • 陈述：在假设 A1-A5 下，对于 MCP/SCAD 正则化的逻辑回归，存在一个由六个参数 \( (\delta, \beta_0, \sigma^2, \lambda, \rho, s) \) 决定的非线性系统方程，其解给出了渐近 FDR 和 TPR 的值。这个系统方程可以写成 \( \text{FDR} = g(\text{TPR}; \delta, \beta_0, \sigma^2, \lambda, \rho, s) \) 的形式。
    • 直觉：这个定理说，在“平均分量”的意义下，FDR 和 TPR 不是独立的，它们被模型的内在参数牢牢绑定。你不能随意地同时降低 FDR 和提高 TPR。
    • 必要条件：需要满足假设 A1-A5，特别是 Oracle 性质在渐近下成立。
    • 解决的技术难点：逻辑回归的似然函数是非线性的，导致估计量的渐近分布比线性回归复杂得多。作者通过将逻辑回归的得分函数和 Hessian 矩阵在真实参数处进行泰勒展开，并利用“平均分量”假设将高维问题投影到一维，从而得到了一个可解的系统方程。

  • 定理 2 (权衡函数的应用：样本量计算)：

    • 陈述：给定期望的 FDR 水平 \( \alpha \) 和期望的 TPR 水平 \( \eta \)，以及模型参数的估计值（如 \( \hat{\beta}_0, \hat{\sigma}^2, \hat{\rho} \)），可以通过求解定理 1 中的系统方程来反推出所需的样本量 \( n \)。
    • 直觉：这个定理将权衡函数从理论工具变成了实用工具。研究者可以在收集数据前，根据先验知识或 pilot study 估计模型参数，然后计算出达到目标选择性能所需的最小样本量。
    • 解决的技术难点：需要将系统方程从“给定 \( n \) 求 FDR/TPR”逆转为“给定 FDR/TPR 求 \( n \)”。这通常需要数值求解。

  • 定理 3 (权衡函数的应用：FDR 校准)：

    • 陈述：由于正则化方法选择的变量集 \( \hat{S} \) 的 FDR 往往偏离名义水平（例如，交叉验证选择的 \( \lambda \) 可能导致 FDR 过高），可以通过定理 1 的权衡函数来“校准”FDR。具体地，找到一个调整后的阈值 \( \tau' \)，使得在权衡函数下，实际 FDR 等于期望水平。
    • 直觉：这个定理解决了正则化方法的一个实际痛点：其 FDR 控制是“隐式”的，且往往不准确。通过权衡函数，可以显式地调整选择阈值，使 FDR 更接近目标。
    • 解决的技术难点：需要建立选择阈值（如 \( \lambda \)）与 FDR/TPR 之间的映射关系，这在“平均分量”框架下是可行的。

证明路线与技术技巧

  • 整体路线：

    1. 建立 Oracle 估计量的渐近分布：首先，假设我们知道真实的信号集 \( S \)，那么在 \( S \) 上运行不带惩罚的逻辑回归，得到 Oracle 估计量 \( \hat{\beta}_{\text{oracle}} \)。推导出 \( \hat{\beta}_{\text{oracle}} \) 的渐近正态分布。
    2. 刻画正则化估计量的选择行为：利用折叠凹正则化的 Oracle 性质，证明在一定的条件下，正则化估计量 \( \hat{\beta} \) 会以高概率与 Oracle 估计量 \( \hat{\beta}_{\text{oracle}} \) 重合。这意味着，变量选择的结果（哪些变量被选入）主要由 Oracle 估计量的阈值化决定。
    3. “平均分量”近似：将高维问题分解为对“平均”信号变量和“平均”噪声变量的分析。假设所有信号变量的系数强度都等于 \( \beta_0 \)，所有噪声变量的系数为 0。在这个“平均”世界里，变量选择问题退化为一个单变量阈值问题。
    4. 推导系统方程：基于步骤 2 和 3，写出 FDR 和 TPR 的表达式。FDR 近似为“噪声变量被选中的概率”，TPR 近似为“信号变量被选中的概率”。这些概率可以通过 Oracle 估计量的渐近分布和阈值（由 \( \lambda \) 决定）来计算。最终得到一个由六个参数决定的、联系 FDR 和 TPR 的非线性系统方程。
    5. 扩展到 model-X knockoff：对 model-X knockoff 进行类似的分析。Knockoff 的变量选择是基于一个统计量 \( W_j \)，其分布可以近似为高斯分布。通过分析 \( W_j \) 的均值和方差，可以推导出类似的 FDR-TPR 权衡函数。

  • 关键跳跃点：

    • 从 Oracle 估计到正则化估计的“跳跃”：证明正则化估计量以高概率等于 Oracle 估计量，是连接理论分析和实际方法的关键。这个跳跃依赖于折叠凹正则化的凸性（或局部凸性）和 Oracle 性质。作者引用了 Fan & Li (2001) 和 Zhang (2010) 的经典结果。
    • “平均分量”近似的合理性：将高维问题简化为“平均”问题是一个很强的近似。作者需要论证，在稀疏性和信号强度假设下，这种近似是渐近有效的。这个论证依赖于大数定律和中心极限定理在“平均”意义下的应用。

  • 技术技巧点名：

    • 泰勒展开：用于处理逻辑回归的非线性对数似然函数，将其近似为二次型，从而得到估计量的渐近分布。
    • Oracle 性质：利用 MCP/SCAD 的 Oracle 性质，将复杂的正则化估计问题简化为一个更简单的、在已知信号集上的无惩罚估计问题。
    • “平均分量”近似：这是本文的核心技巧。它不是对每个变量单独分析，而是分析“平均”信号和“平均”噪声的行为，从而绕开了高维带来的维数灾难。
    • 数值求解系统方程：由于权衡函数没有闭式解，作者通过数值方法（如牛顿法）求解由六个参数定义的非线性系统方程。

真实例子与应用

  • 用的什么数据/场景：作者使用了模拟数据和一个真实数据例子。模拟数据用于验证理论权衡曲线与经验结果的一致性。真实数据例子是来自 UCI 机器学习库的“德国信用数据”（German Credit Data），包含 1000 个样本和 20 个预测变量（经过编码后维度更高），目标是预测信用风险（好/坏）。
  • 怎么把本文方法用上去：
    1. 模拟数据：生成不同 \( n, p, \beta_0, \sigma^2, \rho \) 组合的数据，运行 MCP/SCAD 正则化逻辑回归，记录经验 FDR 和 TPR。然后，用本文推导的系统方程计算理论 FDR 和 TPR。比较两者是否吻合。
    2. 真实数据：在德国信用数据上，首先用 MCP/SCAD 进行变量选择，得到一组选中的变量。然后，利用本文的样本量计算程序，根据期望的 FDR 和 TPR 反推所需的样本量，并与实际样本量（1000）进行比较。同时，展示 FDR 校准程序如何调整选择结果。
  • 得到什么结果：
    • 模拟结果：理论权衡曲线与经验结果（散点图）在大多数参数组合下吻合良好，尤其是在 \( n \) 较大时。这验证了理论的有效性。当 \( n \) 很小或信号很弱时，偏差较大。
    • 真实数据结果：样本量计算程序给出了一个比实际样本量（1000）更大的推荐样本量，暗示在当前数据下，要达到期望的 FDR 和 TPR 可能需要更多数据。FDR 校准程序调整了选择阈值，使得 FDR 更接近预设水平。
  • 这个例子想说明什么：这个例子旨在说明本文的理论结果不仅是数学上的，而且可以转化为可操作的统计工具。它展示了如何在实际数据分析中应用权衡函数来指导样本量规划和改进变量选择的可靠性。

🔎 结论是否比证明窄

  • 窄的地方：定理的证明严格依赖于等相关结构假设（\( \rho \) 对所有变量相同）。作者在模拟中测试了不同 \( \rho \) 值，但并未证明在更一般的相关结构（如 AR(1)）下结论仍然成立。因此，结论的普适性比证明所覆盖的范围要窄。作者在结论部分也承认了这一点，将其列为未来工作。
  • 泛泛 claim 的地方：作者在摘要和引言中声称分析适用于“一大类正则化方法”，但全文的定理和模拟只针对 MCP 和 SCAD。虽然理论上可以推广到其他折叠凹正则化方法，但并未给出具体证明。对于 Lasso，由于其不满足 Oracle 性质，该分析框架可能不直接适用，作者没有明确讨论这一点。

四、开放问题

  1. 更一般的相关结构：本文的权衡函数推导依赖于等相关结构假设。能否将其推广到更一般的协方差结构（如 AR(1)、因子模型、或任意稀疏协方差矩阵）？这需要重新推导系统方程，可能涉及随机矩阵理论中的谱分析。扎根点：作者在结论部分明确提到“我们的分析假设了等相关结构，将其推广到更一般的结构是未来工作”。
  2. Lasso 的 FDR-TPR 权衡：本文的分析框架是否适用于 Lasso？Lasso 不满足 Oracle 性质，其估计量是有偏的，这可能会改变权衡曲线的形状。能否发展出一个适用于 Lasso 的类似分析？扎根点：作者在引言中淡化了 Lasso，但并未排除其可能性。这是一个值得探索的 gap。
  3. “平均分量”框架的严格性：本文的“平均分量”近似是一个启发式但有效的工具。能否给出一个严格的数学证明，说明在什么条件下，这种近似是渐近精确的？这可能需要更精细的 empirical process 理论。扎根点：作者在证明中依赖于“平均分量”近似，但并未给出其误差界的严格证明。
  4. 与其他 FDR 控制方法的比较：本文只比较了 model-X knockoff。能否将权衡分析扩展到其他 FDR 控制方法，如基于去偏 Lasso 的 BH 过程（Javanmard & Montanari, 2014）？这可以提供一个更全面的 FDR 控制方法比较图景。扎根点：作者在引言中未引用去偏 Lasso 的相关工作，这是一个明显的 gap。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论