科技的发展导致大量的高维数据出现在各类领域中,如医学、基因组关联分析、金融。大量的高维数据的出现使得许多经典的统计方法失效。此外,将大量变量都放入模型会降低统计推断的准确性以及模型的可解释性。变量选择方法是一种常见的处理高维数据的手段。变量选择方法通过最优化特定的目标函数,可以同时进行变量选择以及参数估计,但面对变量维度随着样本容量指数级增长的情况,许多变量选择方法难以保证效果。因此,一些学者提出特征筛选方法,可以将超高维数据的维度降低至合适的大小,然后将变量选择方法运用到降维后的数据中去,从而提高推断的准确性以及模型的可解释性。本文的主要研究对象是判别分析下超高维混合数据的特征筛选问题。混合数据是指自变量中既有分类特征,也有数值特征的数据。在实际应用中,混合数据非常常见。但现有的文献较少涉及超高维混合数据,即便有一些方法可以处理超高维混合数据,也是通过离散化自变量来进行,在一定程度降低了其推断的精度,因此亟待进一步的研究来解决这一个问题。本文针对此类问题作出了以下贡献:本文针对混合数据提出了一个基于p值的特征筛选流程PV-SIS,并且我们证明了其在一定条件下具有确定筛选的性质。我们通过数值模拟探究了提出的方法在有限样本下的表现,实验结果表明,我们提出的方法对于混合数据具有较好的筛选活跃自变量的效果。我们也通过实证分析说明了 PV-SIS在实际应用中的有效性。