Model-free Feature Screening and False Discovery Control for High-dimensional Quantile Regressions
高维分位数回归的无模型特征筛选与错误发现控制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：摘要直接针对不同分位数下的变量关系、高维分位数回归与相应特征筛选。
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…
高维分位数回归的无模型特征筛选与错误发现控制
- 研究问题
- 如何在不预设回归模型结构的情况下，筛选与特定响应分位数相关的高维预测变量，并同时控制错误发现率与保留重要变量？
- 方法与思路
- 作者提出 Copula 分位数依赖度量，以此构造 QC-Screen 特征排序和筛选方法，再通过数据驱动的 QC-FDR 程序控制错误发现率。
- 材料陈述的贡献
- 摘要称，QC-Screen 具有确定筛选与排序一致性，QC-FDR 可渐近控制目标错误发现率，并在模拟及经济数据分析中展示经验表现。
- 阅读关注点
- 应核对依赖度量如何定义活跃变量、筛选一致性所需的信号条件，以及筛选阈值、分位数选择和错误发现控制之间的关系。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；无模型不等于无条件，具体依赖条件、阈值规则及经济数据结果未说明，经验优势尚不能独立判断。
原文摘要
High-dimensional quantile regressions are powerful tools for capturing the diverse relationships between predictors and response variables across different quantile levels. However, existing feature screening methods for quantile regressions often rely on restrictive model assumptions, limiting their applicability in complex data settings. In this paper, we propose a novel model-free feature screening framework for high-dimensional quantile regressions, leveraging a novel statistical measure called Copula Quantile Dependence. This measure quantifies the functional dependence between predictors and the response variable at a given quantile level without requiring a predefined model structure. Building on this concept, we develop the Quantile Copula-based Screening (QC-Screen) method, which ranks features based on their Copula Quantile Dependence values and selects the most informative ones. We also introduce a data-driven procedure named QC-FDR to control the False Discovery Rate (FDR) while ensuring the inclusion of significant predictors. We establish the theoretical properties of QC-Screen, proving its sure screening and rank consistency properties, and demonstrate that QC-FDR asymptotically controls FDR at the desired level. Extensive simulations and a real-world economic data analysis confirm the superior empirical performance of QC-Screen and QC-FDR, highlighting their effectiveness in high-dimensional quantile regressions.