超高维数据广泛出现在生物医学、经济金融、保险精算、可靠性工程等领域。由于高维数据带来的“维数祸根”问题，传统的变量选择方法无法实现参数估计的精确性和模型预测的稳定性。本书主要研究了线性模型、分位数回归变系数模型、广义线性模型及非参数模型的变量筛选方法和Gini相关系数的变量筛选方法；阐述了相关性数字特征变量筛选方法的理论和方法，讨论了Pearson相关系数、秩相关系数和Gini相关系数的关系，建立了选择一致性理论。
本书可供统计应用工作者、科研人员及大学相关专业高年级研究生和教师阅读。

第1章 绪论
1.1 线性模型Pearson相关变量筛选方法
1.2 非参数模型变量筛选方法
1.3 变系数模型变量筛选方法
1.4 秩相关筛选方法
第2章 分位数回归变系数模型变量筛选
2.1 引言
2.2 非参分位数回归边际筛选
2.3 理论性质
2.4 选择变量的方法
2.5 模拟研究
2.6 实例分析
2.7 定理证明
第3章 超高维数据可加模型经验似然变量筛选
3.1 引言
3.2 边际经验似然方法
3.3 条件重排迭代筛选方法
3.4 数值研究
3.5 定理证明
第4章 顺序LASSO特征选择方法
4.1 特征选择方法
4.2 迭代顺序LASSO算法
4.3 理论性质
4.4 数据模拟
4.5 理论证明
第5章 超高维非参模型变量筛选方法
5.1 引言
5.2 核估计方法
5.3 理论性质
5.4 CC-SIS算法
5.5 模拟研究
5.6 定理证明
第6章 Gini相关独立筛选
6.1 Gini相关筛选方法
6.2 迭代变量筛选方法
6.3 数据模拟
6.4 定理证明
参考文献