| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第11-19页 |
| 1.1 问题的提出 | 第11-12页 |
| 1.2 背景和意义 | 第12-14页 |
| 1.3 本文研究动机、研究思路和创新点 | 第14-19页 |
| 1.3.1 研究动机 | 第14-16页 |
| 1.3.2 研究思路 | 第16-17页 |
| 1.3.3 创新点 | 第17-19页 |
| 第2章 文献综述 | 第19-31页 |
| 2.1 单变量选择机制下高维数据模型的变量选择 | 第19-25页 |
| 2.2 单变量选择机制下超高维数据模型的变量选择 | 第25-26页 |
| 2.3 组变量选择机制下高维数据模型的变量选择 | 第26-29页 |
| 2.4 高维数据模型变量选择算法 | 第29-31页 |
| 第3章 高维数据模型自适应桥估计方法 | 第31-43页 |
| 3.1 引言 | 第31-32页 |
| 3.2 主要结论 | 第32-34页 |
| 3.3 主要结论的证明 | 第34-37页 |
| 3.4 随机模拟 | 第37-40页 |
| 3.5 实证分析 | 第40-43页 |
| 第4章 高维情形下线性回归模型的M-估计方法 | 第43-69页 |
| 4.1 引言 | 第43-45页 |
| 4.2 主要结论 | 第45-47页 |
| 4.3 主要结论的证明 | 第47-51页 |
| 4.4 高维情形的模拟结果 | 第51-61页 |
| 4.5 超高维情形的模拟结果 | 第61-64页 |
| 4.6 实证研究 | 第64-69页 |
| 第5章 高维情形下基于Logistic模型的信贷违约分析 | 第69-81页 |
| 5.1 引言 | 第69-70页 |
| 5.2 主要模型 | 第70-71页 |
| 5.3 随机模拟 | 第71-73页 |
| 5.4 实证分析 | 第73-81页 |
| 第6章 结论与展望 | 第81-83页 |
| 6.1 结论 | 第81页 |
| 6.2 进一步工作的方向 | 第81-83页 |
| 参考文献 | 第83-92页 |
| 附录 A 常用符号 | 第92-93页 |
| 致谢 | 第93-94页 |
| 个人简历 在读期间发表的学术论文与研究成果 | 第94-95页 |