超高维数据的变量筛选方法

项目名称： 超高维数据的变量筛选方法

项目编号： No.11371236

项目类型： 面上项目

立项/批准年度： 2013

项目学科： 数理科学和化学

项目作者： 朱利平

作者单位： 上海财经大学

项目金额： 55万元

中文摘要： 近年来，超高维数据频繁地出现在生物及医学等诸多科学领域中。超高维数据分析对传统的计算方法和统计理论提出了新挑战。本项目研究分析超高维数据的独立筛选变量方法。与传统变量选择方法非常不同，独立筛选变量方法计算简单，因此在分析超高维数据时非常具有吸引力。本项目研究如下内容：（1）基于效应稀疏原理，构造不依赖于模型具体形式的独立变量筛选方法；（2）由于基于边际模型构造的独立筛选变量方法可能漏选部分与因变量边际独立的重要变量，我们利用迭代算法并借用半参数双稳健性构造新的独立变量筛选法来解决这一问题；（3）确定变量筛选方法保留变量的个数，尽可能保留全部的重要变量且尽可能多地剔除不重要变量；以及（4）在较弱条件下研究这些不依赖于模型的独立筛选变量法的理论性质，希望这些独立筛选变量法具有选择相合性或排序相合性。另外，我们将这些新方法应用于一些重要的科学问题，以期得到一些有意义的科学新发现。

中文关键词： 相关性学习；独立筛选法；确定筛选性质；变量筛选；超高维数据

英文摘要： In recent years, ultrahigh dimensional data arises frequently in many scientific fields, such as biology and medical science. How to analyze ultrahigh dimensional data poses many challenges to conventional computational algorithm and statistical theory. I

英文关键词： Correlation Learning；Independent Screening；Sure Screening Property；Variable Screening；Ultrahigh Dimensional Data