变量选择（基于边际贡献最大准则）

可行路线及分析

2020年9月我和室友参加“华为杯”第十七届中国研究生数学建模竞赛并选择B赛题，其中问题二是关于高维数据的变量选择。该题要求选择变量要具有代表性和独立性，因此我们可知：
要求：变量显著、变量独立；
路线：模型选择+变量选择、纯变量选择。

这个路线是我们解决问题的关键。在实践过程中，我们三人都进行了尝试，发现这两种路线各有优劣。

模型选择+变量选择：已知模型选择会导致变量选择结果，因此我们可以先选定一个合适的模型，进而在这个模型基础上进行变量选择，其中变量选择方法有向前向后回归、正则化等。
优：同时完成建模和变量选择。
劣：模型选择增加工作量、模型变化影响变量选择、选择的变量独立性较弱（向前向后回归、正则化等方法）。

纯变量选择：先进行变量选择，至于后续模型，到时候根据筛选出来的变量再进行选择和估计。
优：不影响后续建模，模型可自由选择。
劣：因子分析（FC）、随机森林等方法选出的变量不够显著，有时也不够相对独立。

最终方法

后来，我们想到一种基于边际贡献度最大的选择变量方法，然后在网上查找是否有相关研究，发现一篇2015年常晋源老师发表的论文《Local Independence Feature Screening For Nonparametric And Semiparametric Models By Marginal Empirical Likelihood》。这篇论文真的特别有意思，感想颇多。
结合这篇论文，我们决定用这个方法去选择变量。为了方便解释࿰