在经典的低维设置中，基于
值的错误选择控制被广泛的应用。在高维设置中，获得各个变量的显著性却是困难的，很多算法在高维设置中会将噪声变量纳入模型中。多样本分割简单易行。有理论证明，针对高维线性模型和广义线性模型，使用该方法得到的
值具有渐进有效性质，因此，可以使用该方法在高维设置中进行错误控制。
假设有
样本，每个样本包含1个因变量和
个自变量，考虑如下高维线性模型：
式中
为一个
维因变量；
为一个
维自变量；
为一个
维回归系数；
为一个
维向量，代表误差，且
。对于此模型，基于
值解决如下的假设检验问题：
美国科学院院士L.瓦瑟曼和K.罗德针对该问题提出了单样本分割（single data splitting）方法：将所有数据分成两部分，使用第一部分数据降维至可处理的维度，尽可能保留重要变量；使用第二部分数据得到
值，进而进行变量选择。该方法比较容易实施，但比较依赖于样本的分割方式。如果样本分割方式不同，可能会得到不同的结果。为了解决这一问题，M.尼科莱、L.迈耶和P.比尔曼提出了多样本分割的方法。
在介绍多样本分割方法之前，需首先介绍单样本分割的主要内容。针对假设
，单样本分割的算法为：
①将样本进行分割成互不相交的两部分，
，且两部分的样本数量相同。
②利用选择显著变量集。③基于得到。对于，基于的数据，利用经典最小二乘估计计算的值。对于，令。④对于，计算调整的值：数据重分割算法：①重复以上单样本分割算法
次，得到。可选或。②对于，计算调整的值：式中
；为经验分位函数；为选择参数。多样本分割方法得到的
值具有渐进有效性质，不再受到样本随机性的影响。有理论证明，在满足一定的条件下，使用该方法可以达到错误控制的效果。该方法的使用十分广泛，只要满足一定的条件，就可应用于多种模型。通过该方法得到的
值，可以构建置信区间。
多样本分割通过多次将样本分割的方式处理高维数据，解决了高维情况下值计算和错误控制的问题。该方法的思想可以拓展到更多模型和高维算法中。
