A new feature screening method for ultra-high-dimensional survival data based on projection correlation

Abstract

的确定独立筛选 (sure independence screening, SIS) 方法和基于最大边际似然估计量的确定独立筛选 (SIS with maximum marginal likelihood estimator, SIS-MMLE) 方法. 对超高维可加性模型, Fan 等 [2] 探索了一种基于 B 样条近似的非参数独立筛选 (nonparametric independence screening, NIS) 方法. 对 非参数异构误差回归模型, Wu 和 Yin [25] 提出了一种条件分位数筛选 Q-SIS (condition quantile SIS) 方 法. 对多元响应变量超高维线性模型, Lu 等 [17] 建立了一种经验似然特征筛选 MELSIS (multi-response empirical likelihood SIS) 方法. 以上这些变量筛选方法都是基于某个特定模型提出的, 所以可通过交 叉验证或信息准则的方法来选择阈值参数. 然而, 由于超高维数据的复杂程度高, 在没有排除冗余协 变量的前提下, 想要确定一个正确的模型是非常具有挑战性的. 为了避免模型的设定错误, 研究者们 提出了一些不依赖于模型的变量筛选方法. 例如, Zhu 等 [32] 在未明确模型结构的情形下, 采用无模型 筛选 SIRS (sure independent ranking and screening) 方法进行特征筛选; Li 等 [11] 开发了 Kendall τ 相 关筛选 RRCS (robust rank correlation screening) 方法; Li 等 [14] 引入了距离相关筛选 DCSIS (distance correlation SIS) 方法; Mai 和 Zou [18] 构建了基于融合 Kolmogorov 滤波器的特征筛选 FK-SIS (fused Kolmogorov SIS) 方法; He 和 Xie [10] 提出了超高维多类判别分析的特征筛选 MVSIS (multi-category SIS) 方法等.