Forward Regression for Ultra-High Dimensional Variable Screening
超高维变量筛选中的前向回归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：摘要讨论通用高维变量筛选，未提供因果、时间序列或收益预测等具体领域依据。
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
超高维变量筛选中的前向回归
- 研究问题
- 当候选变量数远超样本量时，经典前向回归能否一致识别全部相关变量，以及如何从生成模型中选择候选，是本文的问题。
- 方法与思路
- 作者分析前向回归的筛选性质，用扩展的 BIC 准则选择候选模型，再将其作为其他变量选择方法的起点。
- 材料陈述的贡献
- 摘要称，前向回归可一致发现相关变量；真模型维数有限时可在有限步内发现全部相关变量，并以数值研究展示表现。
- 阅读关注点
- 应核对维数增长、信号强度、变量相关性与停止规则的条件，并区分包含全部相关变量和准确恢复真模型的结论。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出筛选保证的具体条件，有限步发现相关变量也不等于没有无关变量。
原文摘要
Motivated by the seminal theory of Sure Independence Screening (Fan and Lv 2008, SIS), we investigate here another popular and classical variable screening method, namely, forward regression (FR). Our theoretical analysis reveals that FR can identify all relevant predictors consistently, even if the predictor dimension is substantially larger than the sample size. In particular, if the dimension of the true model is finite, FR can discover all relevant predictors within a finite number of steps. To practically select the “best” candidate from the models generated by FR, the recently proposed BIC criterion of Chen and Chen (2008) can be used. The resulting model can then serve as an excellent starting point, from where many existing variable selection methods (e.g., SCAD and Adaptive LASSO) can be applied directly. FR’s outstanding finite sample performances are confirmed by extensive numerical studies.