Quantile-adaptive model-free variable screening for high-dimensional heterogeneous data
高维异质数据的分位数自适应无模型变量筛选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：摘要以分位数特定变量和异质性为核心，直接对应分位数与分布方向。
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…
高维异质数据的分位数自适应无模型变量筛选
- 研究问题
- 高维异质数据中，如何允许重要变量随分位数变化，并在不预设整体模型形式的情况下筛选分位数相关变量？
- 方法与思路
- 作者用样条逼近目标分位数上的边际效应，构造非线性独立筛选方法，并将分位数自适应框架扩展到随机右删失响应。
- 材料陈述的贡献
- 摘要称在适当分位数函数条件下，无需矩存在即可获得超高维确定筛选性质，且该性质在随机右删失情形下仍成立。
- 阅读关注点
- 应核对最小信号要求、维数和样条复杂度的增长条件、删失处理假设，以及边际筛选能否保留联合重要但边际弱的变量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；确定筛选性质的具体条件和数值表现未说明，也不能据此认定筛选结果具有因果含义。
原文摘要
We introduce a quantile-adaptive framework for nonlinear variable screening with high-dimensional heterogeneous data. This framework has two distinctive features: (1) it allows the set of active variables to vary across quantiles, thus making it more flexible to accommodate heterogeneity; (2) it is model-free and avoids the difficult task of specifying the form of a statistical model in a high dimensional space. Our nonlinear independence screening procedure employs spline approximations to model the marginal effects at a quantile level of interest. Under appropriate conditions on the quantile functions without requiring the existence of any moments, the new procedure is shown to enjoy the sure screening property in ultra-high dimensions. Furthermore, the quantile-adaptive framework can naturally handle censored data arising in survival analysis. We prove that the sure screening property remains valid when the response variable is subject to random right censoring. Numerical studies confirm the fine performance of the proposed method for various semiparametric models and its effectiveness to extract quantile-specific information from heteroscedastic data.