Composite Coefficient of Determination and Its Application in Ultrahigh Dimensional Variable Screening
复合决定系数及其在超高维变量筛选中的应用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：摘要研究通用依赖度量、独立性检验和变量筛选，没有给定领域细分的直接应用依据。
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
复合决定系数及其在超高维变量筛选中的应用
- 研究问题
- 如何构造对单调边际变换不变的变量依赖度量，用于独立性检验和超高维变量筛选，并减少重尾与异常值的影响？
- 方法与思路
- 作者将一个变量连续二值化后对另一变量进行非参数回归，由这些回归构造复合决定系数，并以核平滑估计。
- 材料陈述的贡献
- 摘要称该指标具有单调变换不变性，估计达到根号样本量一致性速率，并在变量筛选中建立必然筛选性质。
- 阅读关注点
- 应核对依赖度量的定义及方向性、核平滑带宽与速率条件，以及必然筛选所需信号强度和维度增长限制。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；稳健性及筛选保证的具体条件未说明，模拟中较受偏好不能作为普遍最优结论。
原文摘要
In this article, we propose to measure the dependence between two random variables through a composite coefficient of determination (CCD) of a set of nonparametric regressions. These regressions take consecutive binarizations of one variable as the response and the other variable as the predictor. The resulting measure is invariant to monotonic marginal variable transformation, rendering it robust against heavy-tailed distributions and outliers, and convenient for independent testing. Estimation of CCD could be done through kernel smoothing, with a consistency rate of root-n. CCD is a natural measure of the importance of variables in regression and its sure screening property, when used for variable screening, is also established. Comprehensive simulation studies and real data analysis show that the newly proposed measure quite often turns out to be the most preferred compared to other existing methods both in independence testing and in variable screening. Supplementary materials for this article are available online.