Ultrahigh dimensional variable selection: beyond the linear model
超高维变量选择：超越线性模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用高维变量筛选与分类，未提供对应具体经济计量细分方向的应用或模型依据。
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…
超高维变量选择：超越线性模型
- 研究问题
- 研究如何将迭代独立筛选推广到非线性模型，并识别边际关联弱但联合关联强的变量，同时减少筛选阶段的错误发现。
- 方法与思路
- 作者在一般伪似然框架下扩展迭代筛选，无需显式定义残差，并允许迭代删除变量，另提出降低错误发现率的技术。
- 材料陈述的贡献
- 摘要称方法覆盖广义线性模型，在最小二乘情形改进原有迭代过程，并展示其在传统两样本检验筛选失效情形中的作用。
- 阅读关注点
- 应核对伪似然框架、变量加入与删除规则，以及筛选保证和错误发现控制的条件，区分沿用的已有结论与本文新增结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获验证；摘要未给出新方法的完整理论条件或数值，不能认定其普遍优于其他筛选法。
原文摘要
Variable selection in high-dimensional space characterizes many contemporary problems in scientific discovery and decision making. Many frequently-used techniques are based on independence screening; examples include correlation ranking (Fan and Lv, 2008) or feature selection using a two-sample t-test in high-dimensional classification (Tibshirani et al., 2003). Within the context of the linear model, Fan and Lv (2008)showed that this simple correlation ranking possesses a sure independence screening property under certain conditions and that its revision, called iteratively sure independent screening (ISIS), is needed when the features are marginally unrelated but jointly related to the response variable. In this paper, we extend ISIS, without explicit definition of residuals, to a general pseudo-likelihood framework, which includes generalized linear models as a special case. Even in the least-squares setting, the new method improves ISIS by allowing variable deletion in the iterative process. Our technique allows us to select important features in high-dimensional classification where the popularly used two-sample t-method fails. A new technique is introduced to reduce the false discovery rate in the feature screening stage. Several simulated and two real data examples are presented to illustrate the methodology.