Nonparametric Independence Screening in Sparse Ultra-High-Dimensional Varying Coefficient Models
稀疏超高维变系数模型中的非参数独立筛选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：摘要研究通用超高维变系数模型的变量筛选，未明确涉及因果识别、面板结构或用户列出的其他细分领域。
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
稀疏超高维变系数模型中的非参数独立筛选
- 研究问题
- 当协变量数量达到超高维且其作用随暴露变量变化时，如何筛出相关变量，并减少后续估计需要处理的维度？
- 方法与思路
- 作者按给定暴露变量时各协变量的非参数边际贡献排序，提出 NIS，并以条件置换与贪心策略构造两种迭代筛选方法。
- 材料陈述的贡献
- 摘要称在技术条件下建立保留相关变量的筛选性质并量化降维程度，另以模拟和真实数据展示迭代方法的效果与灵活性。
- 阅读关注点
- 应核对边际贡献指标、非参数估计与阈值选择，以及筛选保证的信号和维度条件，并区分筛选与最终变量选择。
- 阅读边界
- 依据 arXiv 1303.0458v1 预印本摘要解读，不能据此声称同行评审或期刊接收；完整技术条件、数值和刊本变化未提供。
原文摘要
The varying-coefficient model is an important nonparametric statistical model that allows us to examine how the effects of covariates vary with exposure variables. When the number of covariates is big, the issue of variable selection arrives. In this paper, we propose and investigate marginal nonparametric screening methods to screen variables in ultra-high dimensional sparse varying-coefficient models. The proposed nonparametric independence screening (NIS) selects variables by ranking a measure of the nonparametric marginal contributions of each covariate given the exposure variable. The sure independent screening property is established under some mild technical conditions when the dimensionality is of nonpolynomial order, and the dimensionality reduction of NIS is quantified. To enhance practical utility and the finite sample performance, two data-driven iterative NIS methods are proposed for selecting thresholding parameters and variables: conditional permutation and greedy methods, resulting in Conditional-INIS and Greedy-INIS. The effectiveness and flexibility of the proposed methods are further illustrated by simulation studies and real data applications.