Data integration with high dimensionality
高维数据整合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：摘要核心是多来源高维变量选择与伪似然信息准则，未明确涉及给定分类中的因果、因子模型或其他专门领域。
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
高维数据整合
- 研究问题
- 当多个实验包含混合类型的响应，且同一预测变量在实验间采用不同测量方式时，如何选择影响任一响应的预测变量？
- 方法与思路
- 作者组合各实验的边际似然构造伪似然，并提出相应信息准则，允许真实有效预测变量的数量随样本量增长。
- 材料陈述的贡献
- 摘要称该准则在正则条件下具有选择一致性，包含适当惩罚的 BIC 特例；模拟显示整合数据可改善单一来源的分析。
- 阅读关注点
- 阅读全文时应核对跨实验预测变量如何对应、伪似然及惩罚项的定义，以及真实模型规模增长时选择一致性的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，稿件版本未注明；正则条件、增长限制及模拟设置未提供，不能认定整合数据必然改善变量选择。
原文摘要
Summary We consider situations where the data consist of a number of responses for each individual, which may include a mix of discrete and continuous variables. The data also include a class of predictors, where the same predictor may have different physical measurements across different experiments depending on how the predictor is measured. The goal is to select which predictors affect any of the responses, where the number of such informative predictors tends to infinity as the sample size increases. There are marginal likelihoods for each experiment; we specify a pseudolikelihood combining the marginal likelihoods, and propose a pseudolikelihood information criterion. Under regularity conditions, we establish selection consistency for this criterion with unbounded true model size. The proposed method includes a Bayesian information criterion with appropriate penalty term as a special case. Simulations indicate that data integration can dramatically improve upon using only one data source.