Partition-based ultrahigh-dimensional variable screening
基于分组的超高维变量筛选AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用高维变量筛选，空间分组与神经成像应用不足以对应给定领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于分组的超高维变量筛选
- 研究问题
- 在超高维广义线性模型中，如何利用协变量功能相近或空间邻近的信息改进筛选，并处理先验分组缺失或不可靠的情况？
- 方法与思路
- 作者提出基于分组的筛选及数据驱动分组框架，研究相关性引导和空间位置引导两种情形，并提出合并多种分组统计量的策略。
- 材料陈述的贡献
- 摘要称，方法具有保留真实重要变量的筛选性质且错误选择率趋零，数据驱动分组与多分组合并也有理论支持，并给出模拟和神经成像应用。
- 阅读关注点
- 应核对筛选性质和错误选择率的定义、维度增长及信号强度条件，以及分组估计误差和多分组合并对理论保证的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；理论条件、分组参数选择和性能数值未说明，不能据此判断普遍优势或其他版本变化。
原文摘要
Traditional variable selection methods are compromised by overlooking useful information on covariates with similar functionality or spatial proximity, and by treating each covariate independently. Leveraging prior grouping information on covariates, we propose partition-based screening methods for ultrahigh-dimensional variables in the framework of generalized linear models. We show that partition-based screening exhibits the sure screening property with a vanishing false selection rate, and we propose a data-driven partition screening framework with unavailable or unreliable prior knowledge on covariate grouping and investigate its theoretical properties. We consider two special cases: correlation-guided partitioning and spatial location- guided partitioning. In the absence of a single partition, we propose a theoretically justified strategy for combining statistics from various partitioning methods. The utility of the proposed methods is demonstrated via simulation and analysis of functional neuroimaging data.