Studies on statistical inference for ultra-high dimensional semiparametric models

超高维半参数模型统计推断研究

• 批准号: 20K11705
• 负责人: 本田 敏雄
• 金额: $ 2.08万
• 依托单位: Hitotsubashi University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20K11705/
• 关键词: 超高次元データ; 線形分位点回帰モデル; 前進型変数選択; Cox回帰モデル; 生存時間データ; 一般化線形モデル; セミパラメトリックモデル; 変数選択; 超高次元データ; 線形分位点回帰モデル; 前進型変数選択; Cox回帰モデル; 生存時間データ; 一般化線形モデル; セミパラメトリックモデル; 変数選択

2022年度においては，超高次元線形分位点回帰モデルの前進型の説明変数スクリーニング法に関する研究論文が改訂後，国際誌に掲載予定となった．また日本統計学会の特集号より招待された，高次元Cox回帰モデルなどに関する解説論文も改訂後に掲載済となった．詳細は以下の通りである．超高次元データの統計解析を行う場合，計算上の必要より，標準的な高次元データ解析手法の前に，説明変数を一定数にまで減らす，説明変数のスクリーニングが必要であり，これまで様々なスクリーニング法が提案，研究されてきた．また段階的にスクリーニングを行うことの必要性も研究者間の共通認識となっており，なかでもモデルを利用する前進型の説明変数スクリーニング法は，モデルの情報を活用しかつスクリーニング一致性を持ち，さらにこれまでの研究のシミュレーション結果などにより，誤選択率も低いことが知られている．線形分位点回帰は標準的な手法にも拘わらず，前進型の説明変数スクリーニング法に関する研究がほとんどなく，今回国際共同研究により，超高次元線形分位点回帰モデルの前進型スクリーニング法に関して，理論面，数値面で研究を進めて得られた研究成果“Forward variable selection for ultra-high dimensional quantile regression models” は改訂後，査読付き国際学術誌Annals of the Institute of Statistical Mathematicsに掲載予定となった．日本統計学会和文誌特集号より招待された，Cox回帰モデルを含めた高次元生存時間データに関する統計解析についての主要な研究結果の解説論文“高次元Cox回帰モデルの統計的推測について”も，改訂後に掲載済となった．この論文は，大変重要な研究テーマに関する日本語による唯一の解説論文である．

2022年，关于超高维线性分位数回归模型的高级解释变量筛选方法的研究论文计划在修订后发表在国际期刊上。此外，在修订后也发表了有关日本统计社会特刊的高维Cox回归模型的解释性论文。详细信息如下。当对超高维数据进行统计分析时，有必要通过将解释变量的数量减少到一定数数字而不是计算要求，而不是标准的高维数据分析方法，并提出了各种筛选方法来筛选解释变量。研究人员也有一个共同的了解，特别是使用模型的模型通过使用模型信息，使用模型使用模型具有筛选一致性，并且众所周知，基于先前研究的仿真结果，使用模型的选择率也很低。尽管采用了线性分位数回归的标准方法，但对高级解释可变筛选方法的研究很少，在这项国际协作研究中，研究结果“针对超高维度回归模型的远期可变选择”从从理论和数值的筛选方法中进行了超高维度的研究方法进行了超高维度的量化方法，并且已将其用于超高度量化的量化型模型进行了研究。统计数学研究所期刊。在修订后，关于高维生存时间数据（包括Cox回归模型）的统计分析的主要研究结果的解释性研究结果也发表了“高维Cox回归模型的统计推断”。本文是关于一个非常重要的研究主题的唯一日本解释性论文。