Inference after model selection and averaging via confidence distributions and curves

Selectie van een model en modelmiddeling zijn gangbare praktijken om het beste model te vinden dat de waargenomen gegevens verklaart. Wanneer het werkmodel wordt geselecteerd met behulp van gegevensgestuurde methoden en dezelfde gegevens worden gebruikt voor gevolgtrekkingen over populatieparameters, zijn garanties van klassieke inferentietechnieken mogelijk niet meer geldig. Dit proefschrift bespreekt manieren om geldige gevolgtrekkingen te produceren voor postselectie en voor modelgemiddelde schatters via betrouwbaarheidsverdelingen en betrouwbaarheidscurven. Hoewel klassieke inferentieconcepten zoals p-waarden, betrouwbaarheidsintervallen en puntschatters gemakkelijk kunnen worden afgelezen uit een betrouwbaarheidsverdeling, geeft het meer informatie over de waarde van een parameter van belang dan een enkel betrouwbaarheidsinterval of een "enkele hypothese"-test. De eerste drie hoofdstukken richten zich op het verkrijgen van optimale post-selectie voorwaardelijke betrouwbaarheidsverdelingen voor mogelijk verkeerd gespecificeerde geselecteerde lineaire, gegeneraliseerde lineaire en lineaire gemengde regressiemodellen. Het vierde hoofdstuk biedt een bootstrap-benadering om de verdeling van de meer algemene modelgemiddelde schatters in op waarschijnlijkheid gebaseerde modellen te schatten.