范建清;吕金池 高维特征空间中变量选择的选择性概述。 （英语） Zbl 1180.62080号 统计正弦。 20，第1期，101-148（2010）。 摘要：高维统计问题产生于科学研究和技术发展的不同领域。变量选择在当代统计学习和科学发现中发挥着关键作用。最佳子集选择方法的传统思想可以被视为惩罚似然的一种特定形式，对于许多现代统计应用来说，计算成本太高。在过去十年中，已成功开发出其他形式的惩罚似然方法来处理高维问题。在高维统计推断中，它们被广泛应用于同时选择重要变量并估计其影响。我们简要介绍了高维变量选择理论、方法和实现的最新发展。这种方法可以处理哪些维度的限制，惩罚函数的作用是什么，以及哪些统计特性快速推动了该领域的发展。强调了非凹惩罚似然的性质及其在高维统计建模中的作用。我们还回顾了超高维变量选择的一些最新进展，重点是独立筛选和双尺度方法。 引用于223文件 MSC公司： 62甲12 多元分析中的估计 62小时99 多元分析 65C60个 统计中的计算问题（MSC2010） 62J05型 线性回归；混合模型 62J12型 广义线性模型（逻辑模型） 关键词：降维;折叠式惩罚;高维性;拉索;型号选择;oracle属性;惩罚最小二乘;惩罚可能性;SCAD公司;确定独立性筛选;确定筛选;变量选择 PDF格式BibTeX公司 XML格式引用 \textit{J.Fan}和\textit{J.Lv}，Stat.Sin。20，第1号，101--148（2010；Zbl 1180.62080） 全文： arXiv公司 链接