ترجمه فارسی مقاله انتخاب متغیر با ابعاد بالا با دوام قوی و کارآمد محاسباتی

چکیده

The variable selection problem is to discover which of a large set of predictors is associated with an outcome of interest, conditionally on the other predictors. This problem has been widely studied, but existing approaches lack either power against complex alternatives, robustness to model misspecification, computational efficiency, or quantification of evidence against individual hypotheses. We present tower PCM (tPCM), a statistically and computationally efficient solution to the variable selection problem that does not suffer from these shortcomings. tPCM adapts the best aspects of two existing procedures that are based on similar functionals: the holdout randomization test (HRT) and the projected covariance measure (PCM). The former is a model-X test that utilizes many resamples and few machine learning fits, while the latter is an asymptotic doubly-robust style test for a single hypothesis that requires no resamples and many machine learning fits. Theoretically, we demonstrate the validity of tPCM, and perhaps surprisingly, the asymptotic equivalence of HRT, PCM, and tPCM. In so doing, we clarify the relationship between two methods from two separate literatures. An extensive simulation study verifies that tPCM can have significant computational savings compared to HRT and PCM, while maintaining nearly identical power.

چکیده به فارسی (ترجمه ماشینی)

مشکل انتخاب متغیر کشف این است که کدام یک از مجموعه های بزرگی از پیش بینی کننده ها با نتیجه مورد علاقه ، به طور مشروط بر روی سایر پیش بینی کننده ها همراه است.این مشکل به طور گسترده ای مورد مطالعه قرار گرفته است ، اما رویکردهای موجود فاقد قدرت در برابر گزینه های پیچیده ، استحکام برای مدل سازی غلط ، راندمان محاسباتی یا تعیین میزان شواهد در برابر فرضیه های فردی است.ما برج PCM (TPCM) را ارائه می دهیم ، یک راه حل آماری و محاسباتی کارآمد برای مشکل انتخاب متغیر که از این کاستی ها رنج نمی برد.TPCM بهترین جنبه های دو روش موجود را که مبتنی بر عملکردهای مشابه است ، سازگار می کند: آزمون تصادفی سازی Holdout (HRT) و اندازه گیری کواریانس پیش بینی شده (PCM).اولی یک تست Model-X است که از بسیاری از تغییر شکل ها استفاده می کند و تعداد کمی از یادگیری ماشین ها متناسب است ، در حالی که دومی یک تست سبک مضاعف بدون علامت برای یک فرضیه واحد است که نیازی به تغییر شکل مجدد ندارد و بسیاری از یادگیری های دستگاه متناسب هستند.از لحاظ تئوریکی ، ما اعتبار TPCM و شاید به طرز شگفت آور ، معادل بودن بدون علامت HRT ، PCM و TPCM را نشان می دهیم.با انجام این کار ، ما رابطه دو روش را از دو ادبیات جداگانه روشن می کنیم.یک مطالعه شبیه سازی گسترده تأیید می کند که TPCM می تواند در مقایسه با HRT و PCM پس انداز محاسباتی قابل توجهی داشته باشد ، در حالی که قدرت تقریباً یکسان را حفظ می کند.