Model-Free Variable Selection
不依赖模型形式的变量选择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：摘要讨论通用变量选择，虽列举金融应用背景，但未明确涉及定价、金融因子或收益预测。
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…
不依赖模型形式的变量选择
- 研究问题
- 当预测变量较多、正确回归模型难以预先设定或验证时，如何在不指定模型形式的情况下选择相关变量？
- 方法与思路
- 作者基于充分降维理论提出一类变量选择方法，不要求指定回归模型形式，也不采用非参数平滑，并允许一般预测变量效应。
- 材料陈述的贡献
- 摘要称提出无模型形式的变量选择方法，并通过模拟和一个经验例子展示效果，旨在降低预先正确设定模型的依赖。
- 阅读关注点
- 应核对充分降维所需条件、变量相关性的目标定义、选择规则与调节方式，以及模拟覆盖的效应形式和维度范围。
- 阅读边界
- 仅据所给 Crossref 摘要；不指定模型形式不等于没有统计假设，摘要未说明选择一致性、高维条件或具体性能结果。
原文摘要
Summary The importance of variable selection in regression has grown in recent years as computing power has encouraged the modelling of data sets of ever-increasing size. Data mining applications in finance, marketing and bioinformatics are obvious examples. A limitation of nearly all existing variable selection methods is the need to specify the correct model before selection. When the number of predictors is large, model formulation and validation can be difficult or even infeasible. On the basis of the theory of sufficient dimension reduction, we propose a new class of model-free variable selection approaches. The methods proposed assume no model of any form, require no nonparametric smoothing and allow for general predictor effects. The efficacy of the methods proposed is demonstrated via simulation, and an empirical example is given.