RaSE: A Variable Screening Framework via Random Subspace Ensembles
RaSE：基于随机子空间集成的变量筛选框架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量筛选与联合预测信号，未明确涉及因果识别、特定经济模型或所列金融预测等应用方向。
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…
RaSE：基于随机子空间集成的变量筛选框架
- 研究问题
- 在超高维预测变量中，如何避免只按单变量边际贡献排序而漏掉无边际效应、但具有联合信号或高阶交互作用的变量？
- 方法与思路
- 作者提出随机子空间集成 RaSE，通过评价包含多个预测变量的随机子空间进行筛选，可结合不同评价准则并进行迭代。
- 材料陈述的贡献
- 摘要称框架能够识别无边际效应及高阶交互信号，具有确保筛选性质与排序一致性，迭代版本也获得理论支持。
- 阅读关注点
- 应核对子空间抽样与评价规则、信号强度和维度增长条件，以及联合信号被覆盖的概率、迭代机制和筛选阈值如何选择。
- 阅读边界
- 来源为稿件版本未注明的索引摘要，无法判断刊本变化；摘要未列出筛选保证的具体条件，也未证明后续估计或推断自动有效。
原文摘要
Variable screening methods have been shown to be effective in dimension reduction under the ultra-high dimensional setting. Most existing screening methods are designed to rank the predictors according to their individual contributions to the response. As a result, variables that are marginally independent but jointly dependent with the response could be missed. In this work, we propose a new framework for variable screening, random subspace ensemble (RaSE), which works by evaluating the quality of random subspaces that may cover multiple predictors. This new screening framework can be naturally combined with any subspace evaluation criterion, which leads to an array of screening methods. The framework is capable to identify signals with no marginal effect or with high-order interaction effects. It is shown to enjoy the sure screening property and rank consistency. We also develop an iterative version of RaSE screening with theoretical support. Extensive simulation studies and real-data analysis show the effectiveness of the new screening framework.