Trace Pursuit: A General Framework for Model-Free Variable Selection
迹追踪：无模型变量选择的一般框架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：摘要聚焦通用充分降维与变量筛选，没有明确的因果、面板、结构或金融研究对象，故不分配领域细分。
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
迹追踪：无模型变量选择的一般框架
- 研究问题
- 在充分降维框架下，如何不预先指定回归函数完成变量选择，并在超高维情形中通过初步筛选降低计算负担？
- 方法与思路
- 作者提出逐步迹追踪与前向迹追踪两种算法；前者用于变量选择，后者作为超高维筛选步骤，并分析切片逆回归版本。
- 材料陈述的贡献
- 摘要称逐步算法在维度固定时具有选择一致性，基于切片逆回归的前向算法具有筛选一致性，并提供数值比较。
- 阅读关注点
- 应核对迹准则、充分降维假设、逐步搜索规则，以及固定维度选择一致性与高维筛选一致性各自的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；维度增长限制、信号要求和比较结果未说明，不能将筛选一致性等同于完整模型恢复或推断刊本变化。
原文摘要
We propose trace pursuit for model-free variable selection under the sufficient dimension-reduction paradigm. Two distinct algorithms are proposed: stepwise trace pursuit and forward trace pursuit. Stepwise trace pursuit achieves selection consistency with fixed p. Forward trace pursuit can serve as an initial screening step to speed up the computation in the case of ultrahigh dimensionality. The screening consistency property of forward trace pursuit based on sliced inverse regression is established. Finite sample performances of trace pursuit and other model-free variable selection methods are compared through numerical studies. Supplementary materials for this article are available online.