Variable Selection via Additive Conditional Independence
基于加性条件独立的变量选择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：摘要讨论通用多属性变量选择，虽涉及响应分布，但未明确研究分位数或经济学分布效应。
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
基于加性条件独立的变量选择
- 研究问题
- 当预测变量影响响应的方差或整体分布，而不只影响均值时，如何进行非参数变量选择并缓解多维核方法的计算与估计困难？
- 方法与思路
- 作者基于加性条件独立关系构造非参数变量选择方法，面向响应的多个属性，并借助加性结构避免使用多维核。
- 材料陈述的贡献
- 摘要称建立估计一致性、收敛速度及变量选择一致性；模拟比较支持多属性影响情形下的优势，并提供基因表达与小鼠体重应用。
- 阅读关注点
- 应核对加性条件独立与通常条件独立的区别、响应属性如何指定，以及高维一致性所需的信号强度、维数增长和调参条件。
- 阅读边界
- 仅据所给 Crossref 摘要；不依赖指定回归模型不等于没有理论条件，摘要未给出条件或比较数值，变量选择也不自动具有因果解释。
原文摘要
Summary We propose a non-parametric variable selection method which does not rely on any regression model or predictor distribution. The method is based on a new statistical relationship, called additive conditional independence, that has been introduced recently for graphical models. Unlike most existing variable selection methods, which target the mean of the response, the method proposed targets a set of attributes of the response, such as its mean, variance or entire distribution. In addition, the additive nature of this approach offers non-parametric flexibility without employing multi-dimensional kernels. As a result it retains high accuracy for high dimensional predictors. We establish estimation consistency, convergence rate and variable selection consistency of the method proposed. Through simulation comparisons we demonstrate that the method proposed performs better than existing methods when the predictor affects several attributes of the response, and it performs competently in the classical setting where the predictors affect the mean only. We apply the new method to a data set concerning how gene expression levels affect the weight of mice.