Variable Screening via Quantile Partial Correlation
基于分位数偏相关的变量筛选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：摘要明确围绕条件分位数线性回归进行变量筛选，直接对应分位数与分布效应细分中的分位数方法。
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
基于分位数偏相关的变量筛选
- 研究问题
- 在超高维分位数线性回归中，如何筛选高度相关的解释变量，并发现对条件分位数有贡献但边际相关性较弱的变量？
- 方法与思路
- 作者先利用分位数偏相关筛选候选变量，再以扩展贝叶斯信息准则进行最优子集选择，并研究错误选择率的控制。
- 材料陈述的贡献
- 摘要称算法具有 sure screening 性质，控制错误选择率可获得模型选择一致性，并提供模拟及经验示例支持。
- 阅读关注点
- 应核对分位数偏相关的定义、信号强度与维度条件，并区分筛选包含真变量、筛选一致性及精确模型选择一致性。
- 阅读边界
- OpenAlex 摘要未注明稿件版本；相关性容许范围、错误选择率控制方案及 EBIC 结论的具体条件未说明。
原文摘要
In quantile linear regression with ultra-high dimensional data, we propose an algorithm for screening all candidate variables and subsequently selecting relevant predictors. Specifically, we first employ quantile partial correlation for screening, and then we apply the extended Bayesian information criterion (EBIC) for best subset selection. Our proposed method can successfully select predictors when the variables are highly correlated, and it can also identify variables that make a contribution to the conditional quantiles but are marginally uncorrelated or weakly correlated with the response. Theoretical results show that the proposed algorithm can yield the sure screening set. By controlling the false selection rate, model selection consistency can be achieved theoretically. In practice, we proposed using EBIC for best subset selection so that the resulting model is screening consistent. Simulation studies demonstrate that the proposed algorithm performs well, and an empirical example is presented.