Quantile Correlation-based Variable Selection
基于分位数相关的变量选择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：摘要以分位数相关作为核心依赖度量，构造检验与变量筛选方法，因此归入分位数方法方向，但未涉及具体分布效应应用。
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…
基于分位数相关的变量选择
- 研究问题
- 在预测变量关系复杂的高维或超高维数据中，如何在不指定具体模型的情况下筛选重要变量，并兼顾依赖识别与计算可行性？
- 方法与思路
- 作者以分位数相关构造多重检验与逐步变量选择方法，并针对超高维数据提出独立筛选程序，无须指定具体模型。
- 材料陈述的贡献
- 摘要称该相关统计量能够捕捉广泛的依赖关系，给出方法的理论性质，并以模拟和真实数据分析支持其实用表现。
- 阅读关注点
- 应核对分位数相关能识别哪些依赖、多重检验如何控制错误，以及逐步选择与独立筛选的理论保证及适用条件。
- 阅读边界
- 摘要未说明依赖结构的具体限制、理论保证的形式与错误率控制细节，也未报告模拟和应用的量化比较结果。
原文摘要
This article is concerned with identifying important features in high-dimensional data analysis, especially when there are complex relationships among predictors. Without any specification of an actual model, we first introduce a multiple testing procedure based on the quantile correlation to select important predictors in high dimensionality. The quantile-correlation statistic is able to capture a wide range of dependence. A stepwise procedure is studied for further identifying important variables. Moreover, a sure independent screening based on the quantile correlation is developed in handling ultrahigh dimensional data. It is computationally efficient and easy to implement. We establish the theoretical properties under mild conditions. Numerical studies including simulation studies and real data analysis contain supporting evidence that the proposal performs reasonably well in practical settings.