Ball-Codifference Screening for Heavy-Tailed Predictors
重尾预测变量的球协差筛选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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论高维重尾预测变量的筛选方法与渐近理论，未涉及因果推断、面板、离散选择、时间序列、资产定价等具体领域细分，故不选择任何给定 key。
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
重尾预测变量的球协差筛选
- 研究问题
- 摘要关注高维筛选问题：当预测变量稀疏或重尾、协方差或最小二乘类度量不稳定甚至无定义时，如何构造不依赖有限一阶或二阶矩的边际筛选统计量。
- 方法与思路
- 作者提出 Ball-codifference，将随机球的秩型几何与基于特征函数构造的 codifference 依赖度量结合，定义该统计量及其归一化筛选效用，并据此建立 sure independence screening 程序；大样本正态性由有界 V 统计量与泛函 delta 方法论证。
- 材料陈述的贡献
- 摘要称提出 Ball-codifference 及相应筛选程序，可在不要求有限一阶、二阶矩的情况下计算；模拟显示在重尾明显时对高关联预测变量的恢复具有竞争力或改进，数据例子称线性回归预测精度显著提升。
- 阅读关注点
- 应核对 Ball-codifference 的精确定义与归一化方式、sure independence screening 所需的正则与非退化条件、V 统计量论证的适用边界，以及模拟设计（高斯与次高斯稳定分布）和数据例子是否支持摘要中的比较性表述。
- 阅读边界
- 仅依据摘要，无法判断定理的完整假设、证明细节、模拟规模与数据例子的可复制性；摘要未说明具体样本量、阈值选择与对照方法。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional screening is commonly built on covariance, correlation, or least-squares measures. These summary measures can be unstable or even undefined, when predictors are sparse or have heavy-tailed distributions. Building on our recent work on extended codifference and the idea of Ball-covariance, we develop Ball-codifference for marginal screening in statistical modeling with heavy-tailed predictors and responses. The proposed statistic combines the rank-type geometry of random balls with the codifference as a dependency measure constructed based on the characteristic function, so it can be computed without requiring well-defined finite first or second moments. We define Ball-codifference and its normalized screening utility, and formulate a sure independence screening procedure. Large-sample normality follows from a bounded V-statistic and functional-delta-method argument under standard nondegeneracy and regularity conditions. Simulation studies under Gaussian and sub-Gaussian stable designs show that codifference-weighted Ball screening gives competitive or improved recovery of highly associated predictors, especially when tail heaviness is pronounced. Also, our data example illustrates that our variable screening method significantly improves prediction accuracy in linear regression.