×
霍磊;温雪蓉·麦琪;于，周

通过充分降维的无模型条件筛选方法。 （英语） 兹比尔1469.62236

J.非参数统计。 32，第4号，970-988（2020）.
本文在充分降维的框架下，对超高维统计问题提出了一种无模型条件筛选方法。部分充分降维是基于将原始预测因子分为两组：重要预测因子和其余预测因子，对其余预测因子进行筛选，而不假设响应和预测因子之间存在潜在模型。有条件的向前追踪驱动筛选。证实了筛选的一致性。数值研究将该方法与条件确定独立筛选方法进行了比较。对基因表达的实际数据进行了应用。
审核人：Annibal Parracho Sant’Anna（里约热内卢）

MSC公司：

62G08号 非参数回归和分位数回归
62G05型 非参数估计
99时62分 多变量分析
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

变量选择;充分降维;有条件筛选;追踪
PDF格式BibTeX公司 XML格式引用
\textit{L.Huo}等人，《非参数统计杂志》32，第4期，970--988（2020；Zbl 1469.62236）
全文： DOI程序

参考文献：

[1] Armesilla，A.L。；卡尔沃，D。；Vega，M.A.，人类CD36基因启动子的结构和功能表征，生物化学杂志，2717781-7787（1996）·doi:10.1074/jbc.271.13.7781
[2] 巴鲁特，E。；范，J。；Verhasselt，A.，条件确定独立性筛选，《美国统计协会杂志》，1111266-1277（2016）·doi:10.1080/01621459.2015.1092974
[3] Chang，J。；唐，C。；Wu，Y.，边际经验似然和确定性独立特征筛选，《统计年鉴》，411693-2262（2013）·Zbl 1277.62109号 ·doi:10.1214/13-AOS1139
[4] Chang，J。；唐，C。；Wu，Y.，通过边际经验似然对非参数和半参数模型进行局部独立性特征筛选，《统计年鉴》，44515-539（2016）·Zbl 1486.62082号 ·doi:10.1214/15-AOS1374
[5] 奇亚罗蒙特，F。；库克·R·D。；Li，B.，《利用分类预测因子进行回归的充分降维》，《统计年鉴》，第30期，第475-497页（2002年）·Zbl 1012.62036号 ·doi:10.1214/aos/1021379862
[6] 朱棣文。；Lin，L.，基于边际经验似然的非参数和半参数模型的条件SIRS，统计论文，611589-1606（2020）·Zbl 1452.62249号 ·doi:10.1007/s00362-018-0993-1
[7] Cook，R.D.，回归图形（1998），纽约州纽约市：纽约州纽约州威利·Zbl 0903.62001
[8] Cook，R.D.，《充分降维中预测因子的测试贡献》，《统计年鉴》，第32期，第1062-1092页（2004年）·Zbl 1092.62046号 ·doi:10.1214/09053604000000292
[9] 库克·R·D。；Forzani，B.，基于Likelihood的充分降维，美国统计协会杂志，104，197-208（2009）·Zbl 1388.62041号 ·doi:10.1198/jasa.2009.0106
[10] 库克·R·D。；Nachtsheim，C.，在回归中实现椭圆轮廓协方差的重加权，美国统计协会杂志，89592-599（1994）·Zbl 0799.62078号 ·doi:10.1080/01621459.1994.10476784
[11] 库克·R·D。；Weisberg，S.，“用于降维的分段逆回归”讨论，美国统计协会杂志，86，328-332（1991）·Zbl 1353.62037号
[12] 崔，H。；李，R。；Zhong，W.，超高维判别分析的无模型特征筛选，美国统计协会杂志，110，630-641（2014）·Zbl 1373.62305号 ·doi:10.1080/01621459.2014.920256
[13] Dong，Y。；Li，B.，非椭圆分布预测因子的降维：二阶方法，Biometrika，97279-294（2010）·Zbl 1233.62119号 ·doi:10.1093/biomet/asq016
[14] 范，J。；Lv，J.，超高维特征空间的确定独立性筛选（讨论），《皇家统计杂志：社会系列B》，70849-911（2008）·兹比尔1411.62187 ·doi:10.1111/j.1467-9868.2008.00674.x
[15] 范，J。；Song，R.，具有NP维的广义线性模型中的确定独立筛选，《统计年鉴》，38，3567-3604（2010）·Zbl 1206.68157号 ·doi:10.1214/10-AOS798
[16] 范，J。；Feng，Y。；Song，R.，稀疏超高维加性模型中的非参数独立性筛选，美国统计协会杂志，106，544-557（2011）·Zbl 1232.62064号 ·doi:10.1198/jasa.2011.tm09779
[17] Z.Feng。；文，X。；于，Z。；Zhu，L.-X.，关于部分充分降维及其在部分线性多指标模型中的应用，美国统计协会杂志，108，237-246（2013）·Zbl 06158339号 ·doi:10.1080/016214592012.746065
[18] Golub，T.等人。；斯隆，D。；Tamyo，P。；华德，C。；加森贝克，M。；梅西洛夫，J。；科勒，H。；卢，M。；唐宁，J。；Caligiuri，M.，《癌症的分子分类：通过基因表达监测进行分类发现和分类预测》，《科学》（纽约），286531-536（1999）·doi:10.1126/science.286.5439.531
[19] 霍尔，P。；Li，K.C.，从高维数据看低维投影的几乎线性，《统计年鉴》，21867-889（1993）·兹比尔0782.62065 ·doi:10.1214/aos/1176349155
[20] 他，X。；Wang，L。；Hong，H.，高维异质数据的分位数自适应无模型变量筛选，《统计年鉴》，41，342-369（2013）·Zbl 1295.62053号 ·doi:10.1214/13-AOS1087
[21] Hilafu，H。；Wu，W.，《降维的部分投影重采样方法：应用于部分线性模型、计算统计和数据分析》，109，1-14（2017）·Zbl 1466.62095号 ·doi:10.1016/j.csda.2016.12.002
[22] 洪，H.G。；Wang，L。；He，X.，《高维变量条件筛选的数据驱动方法》，Stat，5200-212（2016）·doi:10.1002/sta4.115
[23] Jiang，B.和Liu，J.S.（2013），“带变量选择和交互检测的分段反向回归”，手稿。
[24] Li，K.C.，用于降维的分段逆回归（含讨论），美国统计协会杂志，86316-327（1991）·兹比尔07426/2044 ·数字对象标识代码：10.1080/01621459.1991.10475035
[25] 李，B。；Dong，Y.，非椭圆分布预测的降维，统计年鉴，371272-1298（2009）·Zbl 1160.62050 ·doi:10.1214/08-AOS598
[26] 李，B。；Wang，S.，《关于降维的方向回归》，《美国统计协会杂志》，102997-1008（2007）·Zbl 1469.62300号 ·doi:10.1198/0162145000000536
[27] 李，B。；Kim，M.K。；Altman，N.，《关于矩阵或数组值统计对象的维数折叠》，《统计年鉴》，第38期，第1097-1121页（2010年）·Zbl 1183.62091号
[28] 林，L。；孙，J。；Zhu，L.-X.，非参数特征筛选，计算统计与数据分析，67，162-174（2013）·Zbl 1471.62119号 ·doi:10.1016/j.csda.2013.05.016
[29] 卢，J。；Lin，L.，通过条件距离相关进行无模型条件筛选，统计论文，61225-244（2020）·Zbl 1437.62207号 ·doi:10.1007/s00362-017-0931-7
[30] Mai，Q。；Zou，H.，高维二进制分类中用于变量筛选的Kolmogorov过滤器，Biometrika，100229-234（2013）·Zbl 1452.62456号 ·doi:10.1093/biomet/ass062
[31] Mai，Q。；Zou，H.，融合Kolmogorov滤波器：一种非参数无模型筛选方法，统计年鉴，43，1471-1497（2015）·兹比尔1431.62216 ·doi:10.1214/14-AOS1303
[32] 牛，Y。；张，R。；刘杰。；Li，H.，线性模型下超高维特征的群体筛选，统计理论及相关领域，4，43-54（2020）·Zbl 07660222号 ·doi:10.1080/24754269.2019.1633763
[33] 潘，R。；Wang，H。；李荣，超高维多类线性判别分析，成对确定独立筛选，美国统计协会杂志。，111, 169-179 (2015) ·doi:10.1080/01621459.2014.998760
[34] Shao，Y。；库克·R·D。；Weisberg，S.，切片平均方差估计的边际检验，生物特征，94285-296（2007）·Zbl 1133.62032号 ·doi:10.1093/biomet/asm021
[35] Wang，H.，超高维变量筛选的正向回归，美国统计协会杂志，1041512-1524（2009）·Zbl 1205.62103号 ·doi:10.1198/jasa.2008.tm08516
[36] Wang，H.，《因子分析确定独立性筛选》，《生物特征》，99，15-28（2012）·兹比尔1234.62108 ·doi:10.1093/biomet/asr074
[37] 薛，L。；Zou，H.，《确定独立性筛选和压缩随机传感》，《生物统计学》，98，371-380（2011）·Zbl 1215.62063号 ·doi:10.1093/biomet/asr010
[38] 于，Z。；Dong，Y。；Zhu，L.-X.，《追踪追踪：无模型变量选择的一般框架》，美国统计协会杂志，111813-821（2016）·doi:10.1080/01621459.2015.1050494
[39] Zhao，S.D.和Li，Y.（2012），“超高维估算方程的确定筛选”，手稿。
[40] 钟伟。；张，T。；朱，M。；Liu，J.S.，《相关性追求：指数模型的正向逐步变量选择》，《皇家统计学会杂志：B辑》，74849-870（2012）·Zbl 1411.62050号 ·文件编号：10.1111/j.1467-9868.2011.01026.x
[41] 朱，L。；李，L。；李，R。；Zhu，L.-X.，超高维数据的无模型特征筛选，美国统计协会杂志，1061464-1475（2011）·兹比尔1233.62195 ·doi:10.1198/jasa.2011.tm10563
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。