Feature Selection for Varying Coefficient Models With Ultrahigh-Dimensional Covariates
超高维协变量变系数模型的特征选择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：摘要仅明确一般变系数模型的高维筛选，未说明时间、面板或因果效应等应用结构。
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
超高维协变量变系数模型的特征选择
- 研究问题
- 在超高维变系数模型中，如何先保留重要协变量并降低维度，再对随某个索引变化的系数函数进行变量选择和推断？
- 方法与思路
- 作者提出基于条件相关系数的特征筛选及其迭代版本，再在降维后的变系数模型中使用正则化方法分析系数函数。
- 材料陈述的贡献
- 摘要称，研究建立筛选保留重要变量的性质与排序一致性，并通过 Monte Carlo 模拟和实际数据展示两阶段策略。
- 阅读关注点
- 应核对条件相关的定义、信号强度及维度增长条件，以及迭代筛选与第二阶段正则化如何衔接和处理筛选不确定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；筛选条件及后续推断有效性未详述，变系数并不自动意味着时间序列或结构变化。
原文摘要
This paper is concerned with feature screening and variable selection for varying coefficient models with ultrahigh dimensional covariates. We propose a new feature screening procedure for these models based on conditional correlation coefficient. We systematically study the theoretical properties of the proposed procedure, and establish their sure screening property and the ranking consistency. To enhance the finite sample performance of the proposed procedure, we further develop an iterative feature screening procedure. Monte Carlo simulation studies were conducted to examine the performance of the proposed procedures. In practice, we advocate a two-stage approach for varying coefficient models. The two stage approach consists of (a) reducing the ultrahigh dimensionality by using the proposed procedure and (b) applying regularization methods for dimension-reduced varying coefficient models to make statistical inferences on the coefficient functions. We illustrate the proposed two-stage approach by a real data example.