Model-Free Feature Screening for Ultrahigh-Dimensional Data
超高维数据的无模型特征筛选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：摘要属于通用超高维回归筛选，没有明确收益预测、宏观预测或其他所列经济计量应用，不能由预测变量一词归类。
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…
超高维数据的无模型特征筛选
- 研究问题
- 候选预测变量极多且回归函数形式未知时，如何进行有效的特征排序与筛选，并在维度随样本量快速增长时获得理论保证？
- 方法与思路
- 作者在涵盖多种参数和半参数模型的统一框架下构造筛选程序，不要求指定回归函数结构，并通过模拟与真实数据考察表现。
- 材料陈述的贡献
- 摘要称，预测变量数以样本量的指数速度增长时仍可获得排序一致性，并可进一步导向选择一致性；方法计算简单高效。
- 阅读关注点
- 应核对筛选统计量、信号强度及依赖条件，区分排序一致性与选择一致性，并检查指数维度增长结论的具体限制。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。“无模型”不等于无假设，具体条件及实证数值未给出，不能判断普遍优势或刊本变化。
原文摘要
With the recent explosion of scientific data of unprecedented size and complexity, feature ranking and screening are playing an increasingly important role in many scientific studies. In this article, we propose a novel feature screening procedure under a unified model framework, which covers a wide variety of commonly used parametric and semiparametric models. The new method does not require imposing a specific model structure on regression functions, and thus is particularly appealing to ultrahigh-dimensional regressions, where there are a huge number of candidate predictors but little information about the actual model forms. We demonstrate that, with the number of predictors growing at an exponential rate of the sample size, the proposed procedure possesses consistency in ranking, which is both useful in its own right and can lead to consistency in selection. The new procedure is computationally efficient and simple, and exhibits a competent empirical performance in our intensive simulations and real data analysis.