基于GINI相关系数的超高维分类特征变量筛选

本文提出了一种基于GINI相关系数的超高维判别分析的GINI相关特征筛选方法。该方法在简单条件下建立了稳健筛选性能。首先,对重尾分布、潜在异常值情况下的数据具有稳健性。其次,它没有具体的数据模型限制,适用于参数及非参数模型。第三,由于所得统计量的有界性,在理论推导上比较简单。第四,筛选指标结构简单,计算成本低。通过蒙特卡罗模拟和实际数据实例验证了该方法的有效性。

已知Gini相关系数对Copula函数上界的改进

如果已知Copula函数的某些信息,通常其Frechet-Hoeffding上下界则可以进一步收窄。R.B.Nelson分别在已知Kendall相关系数tau、Spearman相关系数rho、Blomqvist相关系数beta的条件下,给出了Copula函数的上下确界。鉴此,在给定Gini相关系数gamma的条件下,证明Copula函数的上界也可以进一步变窄,并给出上确界的表达式。