Drosou，K。;库库维诺斯，C。;A.拉帕。 真实医学泊松数据的确定独立性筛选。 （英语） 兹比尔1516.62258 J.应用。斯达。 46，第2号，324-350（2019）. 摘要：大数据库的统计建模是最具挑战性的问题之一，尤其是在当今。在复杂的相关性结构中，这个问题更为关键。变量选择在大型数据库的统计分析中起着至关重要的作用，迄今为止已经提出了许多方法来处理上述问题。其中一种方法是“确定独立筛选”（Sure Independence Screening），该方法用于将维度降低到相对较小的规模。这种方法虽然简单，但即使在超高维和大尺度的样本量问题上也能产生显著的结果。在本文中，我们处理了一个假设泊松回归模型的大型实际医学数据集的分析。考虑到设计矩阵的相关结构，我们通过进行模拟实验来支持分析。 MSC公司： 62至XX 统计 关键词：广义线性模型;医疗数据;惩罚可能性 软件：VCD光盘;格尔姆奈特;ncvreg公司;姐妹;澳大利亚能源监管局;萨斯;录像机;R（右） PDF格式BibTeX公司 XML格式引用 \textit{K.Drosou}等人，J.Appl。Stat.46，No.2，324--350（2019；Zbl 1516.62258） 全文： 内政部 参考文献： [1] Breheny，P.，ncvreg：SCAD和MCP惩罚回归模型的正则化路径，R包版本3.8-0，2017年。可在http://CRAN.R-project.org/package=ncvreg。 [2] Breheny，P。；Huang，J.，非凸惩罚回归的Coordiante下降算法，及其在生物特征选择中的应用，Ann.Appl。统计，5232-253（2011）·Zbl 1220.62095号 ·doi:10.1214/10-AOAS388 [3] Fan，J.、Feng，Y.、Saldana，D.F.、Samworth，R.和Wu，Y.，SIS：确定独立性筛查，R包版本0.8-3，2016。可在http://CRAN.R-project.org/package=SIS。 [4] 范，J。；Feng，Y。；Song，R.，稀疏超高维可加模型中的非参数独立筛选，J.Amer。统计师。协会，106，544-557（2011）·Zbl 1232.62064号 ·doi:10.1198/jasa.2011.tm09779 [5] 范，J。；Feng，Y。；Wu，Y.，Cox比例风险模型的高维变量选择，IMS Collect。，6, 70-86 (2010) [6] 范，J。；Li，R.，通过非冲突惩罚似然进行变量选择及其预言性质，J.Amer。统计师。协会，96，1348-1360（2001）·Zbl 1073.62547号 ·doi:10.1198/016214501753382273 [7] 范，J。；Lv，J.，超高维特征空间的确定独立性筛选，J.R.Stat.Soc.B，701849-911（2008）·Zbl 1411.62187号 ·doi:10.1111/j.1467-9868.2008.00674.x [8] 范，J。；萨姆沃思，R。；Wu，Y.，超高维特征选择：超越线性模型，J.Mach。学习。2013-2038年第10号决议（2009年）·Zbl 1235.62089号 [9] 范，J。；Song，R.，具有NP维的广义线性模型中的确定独立筛选，《美国统计年鉴》，38，3567-3604（2010）·Zbl 1206.68157号 ·doi:10.1214/10-AOS798 [10] Friendly，M.，可视化分类数据（2000），SAS研究所：SAS研究所，北卡罗来纳州卡里 [11] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，通过坐标下降广义线性模型的正则化路径，J.Stat.Softw。，33, 1-22 (2010) ·doi:10.18637/jss.v033.i01 [12] Friedman，J.、Hastie，T.和Tibshirani，R.，glmnet：LASSO和Elastic-net正则化广义线性模型，R包版本2.0-52016。可在http://CRAN.R-project.org/package=glmnet。 [13] Hoaglin，D.C.，《毒物图》，美国统计局，34，146-149（1980） [14] 克莱伯，C。；Zeileis，A.，《应用计量经济学与R》（2008），Springer-Verlag:Springer-Verlag，纽约·Zbl 1155.91004号 [15] Meyer，D.、Zeileis，A.和Hornik，K.，vcd：可视化分类数据，R包版本1.4-3，2016年。 [16] Nelder，J.A。；Wedderburn，R.W.M，广义线性模型，J.R.Stat.Soc.A，135，370-384（1972）·doi:10.2307/2344614 [17] Ord，J.K.，一类离散分布的图形方法，J.R.Stat.Soc.a，130，232-238（1967）·doi:10.2307/2343403 [18] R核心团队，R：统计计算的语言和环境（2016），R统计计算基金会：R统计计算基础，奥地利维也纳 [19] Saldana博士。；Feng，Y.，SIS:超高维统计模型中确定独立筛选的R包，J.Stat.Softw。，83, 1-25 (2018) ·doi:10.18637/jss.v083.i02 [20] Tibshirani，R.，《通过LASSO回归收缩和选择》，J.R.Stat.Soc.B，58，267-288（1996）·Zbl 0850.62538号 [21] Tibshirani，R.，《考克斯模型中变量选择的LASSO方法》，《统计医学》，第16期，第385-395页（1997年）·doi:10.1002/（SICI）1097-0258（19970228）16:4<385:：AID-SIM380>3.0.CO；2-3 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。