报告题目：Variable Selection for High-Dimensional Correlated Data: All-Subsets Adaptive Random Screening  (高维相关数据变量选择：全子集自适应随机搜索法)

报告人：费宇

讲座时间：2026年12月7日（周一） 10:00

地点：综合楼644会议室

报告人简介：

费宇，二级教授，统计学博士，英国曼彻斯特大学博士后，博士生导师，云南省云岭学者。云南财经大学统计学首席教授，中国数量经济学会常务理事，中国现场统计研究会资源与环境统计分会理事，中国现场统计研究会教育统计与管理分会理事会理事，中国现场统计研究会统计与交叉科学分会理事；云南省统计学会副会长，国家自然科学和社会科学基金项目通讯评审专家，云南省委联系专家。先后获得云南省云岭学者、云南省中青年学术技术带头人、云南省有突出贡献中青年专家、云南省教学名师、云南省名师工作室、云南省高等学校教学管理工作“先进个人”等荣誉称号。

主要从事统计理论与方法和应用统计方面的研究，在国内外重要学术期刊上发表论文60多篇，出版学术专著2部，主编教材4部；主持国家自然科学基金项目4项，省部级项目4项；获得省部级奖励15项，其中包括云南省哲学社会科学优秀成果一等奖2项，云南省自然科学一等奖1项，云南省自然科学三等奖2项，云南省优秀教材奖1项，全国统计科研成果二等奖1项，云南省高等教育教学成果一等奖1项，二等奖1项。

报告摘要：

Prevailing variable selection methods, such as LASSO, SCAD, and MCPdemonstrate satisfactory performance for low-dimensional data (where p‌≥‌n) with low correlation among variables. However, their efficacy significantly deteriorates when dealing with high-dimensional data (where p‌≥‌n) characterized by complex correlation structures. In this talk, an All-subsets Adaptive Random Screening (AARS) approach is proposed under the framework of linear models. This method constructs a probability distribution over the candidate model space, guided by an information criterion. Using this distribution as the target, the Gibbs sampling algorithm is employed to stochastically explore the space along paths of higher probability (i.e., paths leading to models with more favorable information criteria). This process efficiently generates a representative sample of promising models, from which the optimal variable subset is determined. Both simulation studies and analyses of real-world data confirm that the proposed AARS method is an effective tool for variable selection. It demonstrates performance that is significantly superior to classical methods like LASSO, SCAD, and MCP in challenging high-dimensional (where p‌≥‌n) settings with complex correlations.

目前主流的变量选择方法（如LASSO、SCAD、MCP等）对于低维（p<n）数据和变量相关程度低的情况效果很好，但当变量维度较高且变量间存在复杂相关性时性能会显著降低。我们在线性模型框架下，提出了一种基于Gibbs抽样的全子集自适应随机搜索（All-subsets Adaptive Random Screening, AARS）变量选择方法。该方法在备选模型空间上构建以信息准则为导向的概率分布，并以此为目标分布采用Gibbs抽样算法沿概率更高（即信息准则更优）的路径进行随机探索，从而高效地获取代表性模型样本，并据此确定最优变量子集。模拟研究与实际数据分析结果均证实，我们提出的全子集自适应随机搜索（AARS）方法是一种行之有效的变量选择方法，尤其在处理高维（p>n）、复杂相关数据时，其表现显著优于LASSO、SCAD、MCP等经典方法。