王汉生 超高维变量筛选的正向回归。 （英文） Zbl 1205.62103号 美国统计协会。 104，第488号，1512-1524（2009）. 摘要：受确定独立筛选的开创性理论（Fan和Lv 2008，SIS）的启发，我们在此研究另一种流行的经典变量筛选方法，即正向回归（FR）。我们的理论分析表明，FR可以一致地识别所有相关的预测因子，即使预测因子维度大大大于样本量。特别地，如果真实模型的维度是有限的，则FR可以在有限数量的步骤内发现所有相关的预测因子。为了从FR生成的模型中实际选择“最佳”候选，可以使用Chen和Chen（2008）最近提出的BIC标准。由此产生的模型可以作为一个很好的起点，从中可以直接应用许多现有的变量选择方法（例如SCAD和自适应LASSO）。广泛的数值研究证实了FR出色的有限样本性能。 引用于2评论引用于140文件 MSC公司： 62J15型 配对和多重比较；多次测试 关键词：自适应LASSO;银行识别码;正向回归;拉索;SCAD公司;筛选一致性;超高维预测器 PDF格式BibTeX公司 XML格式引用 \textit{H.Wang}，J.Am.Stat.Assoc.104，No.488，1512--1524（2009；Zbl 1205.62103） 全文： 内政部