中文摘要：

目的 比较五种基于Lasso的高维数据线性回归模型统计推断方法：Lasso-惩罚计分检验（Lasso Penalized Score Test），多重样本拆分（Multiple Sample-Splitting）、稳定选择（Stability Selection）、低维投影（Low-Dimensional Projection Estimate）、协方差检验（Covariance test）。方法 采用R软件模拟不同情形的高维数据，用五种方法做统计推断，以期望假阳性率（Expected False Positives,EFP）和检验效能（power）为评价指标，比较这五种方法在不同高维数据情形下的表现。结果 在理想高维数据情形下，除协方差检验推断结果保守外，其余方法表现都较好。在复杂高维数据情形下，Lasso-惩罚计分检验的检验效能是五种方法中最高的，其次为多重样本拆分，而Lasso-惩罚计分检验的EFP也是最高的，多重样本拆分的EFP基本接近0。结论 在常见复杂高维数据中Lasso-惩罚计分检验和多重样本拆分是两种较好的高维线性回归模型统计推断方法，两者相对而言前者较宽松，后者较保守。在实际应用中可根据应用需求来选择合适的统计推断方法。