Factor profiled sure independence screening
剔除因子后的确定独立筛选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：潜在因子用于通用高维变量筛选，摘要没有宏观因子模型或金融因子的具体依据。
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
剔除因子后的确定独立筛选
- 研究问题
- 在超高维稀疏变量选择中，当预测变量存在由共同潜在因子驱动的相关性时，如何一致地识别非零系数对应的变量？
- 方法与思路
- 作者以低维潜在因子刻画相关结构，通过特征值与特征向量分解估计因子，从响应和预测变量中剔除因子后进行独立筛选。
- 材料陈述的贡献
- 摘要称因子剔除产生不相关的预测变量，后续筛选具有模型选择一致性，并报告数值研究支持该方法的表现。
- 阅读关注点
- 核对因子结构、稀疏性、信号强度及维度增长条件，尤其查看因子估计误差如何影响筛选和模型选择一致性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体一致性条件和数值比较未提供，不能据此确认普遍优势或刊本变化。
原文摘要
We propose a method of factor profiled sure independence screening for ultrahigh-dimensional variable selection. The objective of this method is to identify nonzero components consistently from a sparse coefficient vector. The new method assumes that the correlation structure of the high-dimensional data can be well represented by a set of low-dimensional latent factors, which can be estimated consistently by eigenvalue-eigenvector decomposition. The estimated latent factors should then be profiled out from both the response and the predictors. Such an operation, referred to as factor profiling, produces uncorrelated predictors. Therefore, sure independence screening can be applied subsequently and the resulting screening result is consistent for model selection, a major advantage that standard sure independence screening does not share. We refer to the new method as factor profiled sure independence screening. Numerical studies confirm its outstanding performance.