High-dimensional variable selection
高维变量选择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：摘要讨论一般高维回归变量选择，没有因果识别、收益预测或其他所列细分方向的明确内容。
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
高维变量选择
- 研究问题
- 在高维回归中，先筛选候选模型、再通过检验剔除变量的多阶段程序，能够提供哪些关于错误率、检验功效和选择一致性的保证？
- 方法与思路
- 作者先用 lasso、边际回归或前向逐步回归拟合候选模型，再以交叉验证选择模型，最后通过假设检验进行变量清理。
- 材料陈述的贡献
- 摘要称研究了这类筛选与清理程序的错误率和功效，并在一定条件下获得一致变量选择；具体条件未在摘要展开。
- 阅读关注点
- 应核对各阶段如何使用样本、选择后检验如何控制错误率，以及信号强度、变量相关性和维度增长对一致性的限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明样本安排、错误率界和一致性条件，不能据此保证任意高维数据的选择表现。
原文摘要
This paper explores the following question: what kind of statistical guarantees can be given when doing variable selection in high dimensional models? In particular, we look at the error rates and power of some multi-stage regression methods. In the first stage we fit a set of candidate models. In the second stage we select one model by cross-validation. In the third stage we use hypothesis testing to eliminate some variables. We refer to the first two stages as "screening" and the last stage as "cleaning." We consider three screening methods: the lasso, marginal regression, and forward stepwise regression. Our method gives consistent variable selection under certain conditions.