Model-Free Conditional Feature Screening with FDR Control
控制错误发现率的无模型条件特征筛选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：摘要研究一般高维条件独立性筛选与多重检验，没有明确因果识别或所列其他领域的专门建模内容。
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…
控制错误发现率的无模型条件特征筛选
- 研究问题
- 面对超高维且可能具有重尾的响应与预测变量，如何不指定回归函数形式进行条件特征筛选，并控制错误发现率？
- 方法与思路
- 作者基于新的条件独立性度量构造筛选方法，允许多变量条件集，并采用数据拆分反射法控制 FDR、开展理论分析。
- 材料陈述的贡献
- 摘要称在正则条件下获得可靠筛选与排序一致性，并用鞅理论和经验过程技术证明 FDR 保证，辅以模拟及真实数据分析。
- 阅读关注点
- 应核对条件独立性度量的估计、条件集的选择与维度限制，以及重尾要求、筛选一致性和 FDR 保证分别需要哪些条件。
- 阅读边界
- 仅据版本未注明的索引摘要；正则条件、FDR 保证的具体形式及比较数值未说明，条件筛选不能自动解释为因果变量识别。
原文摘要
In this article, we propose a model-free conditional feature screening method with false discovery rate (FDR) control for ultra-high dimensional data. The proposed method is built upon a new measure of conditional independence. Thus, the new method does not require a specific functional form of the regression function and is robust to heavy-tailed responses and predictors. The variables to be conditional on are allowed to be multivariate. The proposed method enjoys sure screening and ranking consistency properties under mild regularity conditions. To control the FDR, we apply the Reflection via Data Splitting method and prove its theoretical guarantee using martingale theory and empirical process techniques. Simulated examples and real data analysis show that the proposed method performs very well compared with existing works. Supplementary materials for this article are available online.