在实际生产生活中,超高维数据变得越来越频繁,如疾病研究中的基因数据,经济、金融领域的数据等。虽然获得的渠道很多,但是海量数据只有少部分有用也带来了研究上的困难,而超高维数据中的纵向数据由于组内相关这个特点导致更不容易进行一般的统计研究,所以对超高维纵向数据的特征筛选研究具有很大的实际意义。文章基于超高维纵向数据的稀疏性假设,研究广义线性模型的特征筛选问题。具体如下:第一章介绍了研究背景和研究意义,通过对国内外研究方法的介绍得到了文章的主要创新点和主要内容。第二章和第三章从统计推断中的得分检验出发,假定参数真值为0,分别在秩回归系数和C统计量的基础上构造指标进行特征筛选,记为LRSIS和LCSIS。第四章进一步考虑纵向数据的组内相关结构,在LCSIS的基础上添加工作协方差的逆,通过二次推断函数避免工作协方差阵的估计,将广义线性模型参数的估计等式转化为指标进行特征筛选,记为QIFLCSIS。通过理论证明这三种筛选方法的确定性筛选性质,并且证明这些方法能够以概率1选择出真正重要的变量。利用蒙特卡洛模拟,对比SIS在超高维纵向数据下的扩展方法MSIS和文章所提三种方法的筛选效果,得出文章所提指标的优良性。第五章根据文章所提的几种筛选方法进行实例分析,通过Bootstrap抽样抽取样本进行预测,结果表明在1080个变量中选择25个变量能达到0.7的预测准确度,达到了降维的目的。第六章总结了文章所提几种方法的不足以及展望。文章创新点在于:一、将得分检验与指标建立相结合,该思想可以运用于大部分参数模型中,极大的丰富了超高维纵向数据筛选方面的内容。二、文章建立的指标本质上均在变量的秩而非变量本身,所以具有稳健性,不受异常值的影响。同时,由于建立的三个指标均是U统计量的变形,所以文章的指标结果较简单,计算过程也会更快速。三、引入的二次推断函数(QIF)对工作协方差阵进行估计,不需要估计讨厌参数,大大提高了筛选结果的准确性。