首页 | 本学科首页   官方微博 | 高级检索  
     

响应变量随机缺失下超高维模型特征筛选方法
作者姓名:来鹏  季静雯  刘一鸣
作者单位:1. 南京信息工程大学数学与统计学院,南京,210044;2. 澳门大学数学系,澳门,519015
基金项目:国家自然科学基金资助项目(11301279),江苏省自然科学基金资助项目(BK20140983),江苏省“青蓝工程”资助项目(2016)
摘    要:文章研究了响应变量随机缺失下超高维数据的特征筛选方法,Kolmogorov过滤方法被用于筛选构建倾向得分函数的重要协变量,据此推广逆概率加权技术构建响应变量随机缺失下的边际特征筛选过程.通过大样本理论证明了所提出的筛选方法在一些常规条件下具有确定性筛选性质,利用蒙特卡罗模拟研究了其有限样本性质,并将其应用于实际数据问题来验证评估其实用价值.

关 键 词:超高维数据  随机缺失  特征筛选  确定筛选属性
本文献已被 万方数据 等数据库收录!
相似文献(共20条):
[1]、张景肖,李向杰,郭海明.HD-SIS超高维数据稳健变量筛选[J].统计与信息论坛,2016(4):9-12.
[2]、GSIS超高维变量选择[J].统计与信息论坛
[3]、超高维数据的稳健秩条件特征筛选[J].统计与信息论坛
[4]、于伟程.具有随机缺失协变量的广义变系数模型[J].统计与决策,2008(9):25-26.
[5]、白永昕,钱曼玲,田茂再.超高维数据下部分线性可加分位数回归模型的变量选择[J].统计与决策,2024(9):43-48.
[6]、何胜美,李高荣,许王莉.基于秩能量距离的超高维特征筛选研究[J].统计研究,2020(8):117-128.
[7]、张巍巍,张军.响应变量缺失下半参数变系数EV模型的约束统计推断[J].统计与决策,2022(3).
[8]、杨维珍,赵培信.缺失数据下部分线性模型的变量选择[J].统计与决策,2010(23).
[9]、赵志文,高敏.缺失数据下随机系数自回归模型的参数估计[J].统计与决策,2022(1).
[10]、蒋青嬗等.内生性随机前沿模型估计方法研究:无需工具变量的Copula方法[J].统计研究,2019,36(6):115-128.
[11]、王义闹,吴利丰.控制单个随机解释变量条件下被解释变量平均改变量的估计方法[J].统计与决策,2017(15):27-31.
[12]、袁晓惠,刘天庆.数据随机缺失下分位数回归模型的诱导光滑估计法[J].统计与信息论坛,2017(6):25-30.
[13]、李丽.模糊随机供需变量的VMI的订货量模型[J].统计与决策,2011(7):58-61.
[14]、贺思辉,李家军.相依随机风险变量下的金融风险测定一同单调随机序[J].统计与信息论坛,2004,19(3):16-20.
[15]、谢远涛,杨娟,王稳.Logistic与分类树模型变量筛选的比较——基于信用卡邮寄业务响应率分析[J].统计与信息论坛,2011,26(6):96-101.
[16]、张波,方国斌.高维面板数据降维与变量选择方法研究[J].统计与信息论坛,2012,27(6):21-28.
[17]、谢小良.随机规划下投资决策优化模型[J].统计与决策,2006(13):46-47.
[18]、聂茜,邓光明.基于Shapley值的分类预测模型变量筛选方法改进[J].统计与决策,2023(3):38-42.
[19]、孟杰,;李春林.基于随机森林模型的分类数据缺失值插补[J].统计与信息论坛,2014(9):86-90.
[20]、于力超,金勇进.含非随机缺失数据的面板数据参数估计方法[J].统计研究,2016,33(1):95-102.
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号