على الرغم من العلاقة المفاهيمية، فقد تم التعامل مع اختيار المتغيرات وتحليل الأهمية النسبية (RI) بشكل مختلف تمامًا في الأدبيات. بينما تُستخدم الأهمية النسبية عادةً لشرح النموذج بعد حدوثه، تستكشف هذه الورقة إمكاناتها في تصنيف المتغيرات واختيارها بناءً على الفلترة قبل إنشاء النموذج. على وجه التحديد، نتوقع أداءً قويًا من مقاييس الأهمية النسبية لأنها تتضمن التأثيرات المباشرة والمجمعة للمتنبئات، مما يعالج قيدًا رئيسيًا في الارتباط الهامشي الذي يتجاهل التبعيات بين المتنبئات. نقوم بتنفيذ وتقييم طرق اختيار المتغيرات المعتمدة على الأهمية النسبية باستخدام الهيمنة العامة (GD) والأهمية النسبية الشاملة (CRI) ونسخة جديدة مقترحة من حيث الكفاءة الحسابية تُسمى CRI.Z. نعرض أولاً كيفية تصنيف مقاييس الأهمية النسبية للمتغيرات بدقة أكبر من الارتباط الهامشي، خاصة عندما توجد متنبئات مكبوتة أو ضعيفة. ثم نظهر أن النماذج التنبؤية المبنية على هذه التصنيفات تنافس بشدة، وغالبًا ما تتفوق على الطرق الحديثة مثل طريقة اللاسو واللاسو المريح. تُعتبر الطرق المقترحة المعتمدة على الأهمية النسبية فعالة بشكل خاص في الحالات الصعبة التي تشمل مجموعات من المتنبئات المرتبطة بشدة، وهي إعداد معروف بأنه يسبب فشلاً في العديد من الطرق المعيارية. على الرغم من هيمنة طرق اللاسو على الأدبيات الحديثة حول اختيار المتغيرات، تكشف دراستنا أن الطريقة المعتمدة على الأهمية النسبية هي بديل قوي وتنافسي. نعتقد أن هذه الأدوات غير المستغلة تستحق اهتمامًا أكبر في مجتمعات الإحصاء وتعلم الآلة. الكود متاح على: https://github.com/tien-endotchang/RI-variable-selection.
دراسة تشانغ et al. (السبت) هذا السؤال.