Feature Screening for Ultrahigh Dimensional Categorical Data With Applications
超高维分类数据的特征筛选及应用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：摘要研究分类变量的高维特征筛选，未涉及离散选择模型或其他所列领域的专门问题，因此现有证据不足以归类。
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…
关注这篇论文的作者
超高维分类数据的特征筛选及应用
- 研究问题
- 当响应和协变量均为分类变量且协变量维数极高时，如何筛出重要特征，并将筛选程序用于发现重要交互效应？
- 方法与思路
- 作者提出基于 Pearson 卡方统计量的特征筛选程序，用于分类响应和超高维分类协变量，也可直接检测重要交互效应。
- 材料陈述的贡献
- 摘要称，该程序具有筛选一致性，并通过蒙特卡洛模拟研究有限样本表现，以两个实证数据集展示方法；未报告具体效果大小。
- 阅读关注点
- 核对筛选一致性的定义与条件、类别数和维度的增长限制、交互项构造方式，以及模拟和两组实证数据中的筛选评价指标。
- 阅读边界
- 摘要未说明筛选阈值、信号强度条件或实证数据内容；筛选一致性不能仅凭摘要解释为精确模型恢复或因果变量识别。
原文摘要
Ultrahigh dimensional data with both categorical responses and categorical covariates are frequently encountered in the analysis of big data, for which feature screening has become an indispensable statistical tool. We propose a Pearson chi-square based feature screening procedure for categorical response with ultrahigh dimensional categorical covariates. The proposed procedure can be directly applied for detection of important interaction effects. We further show that the proposed procedure possesses screening consistency property in the terminology of Fan and Lv (2008). We investigate the finite sample performance of the proposed procedure by Monte Carlo simulation studies, and illustrate the proposed method by two empirical datasets.