Fourier Methods for Estimating the Central Subspace and the Central Mean Subspace in Regression
用 Fourier 方法估计回归的中心子空间与中心均值子空间AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦一般回归的充分降维理论与计算，未提供所列经济或金融细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用 Fourier 方法估计回归的中心子空间与中心均值子空间
- 研究问题
- 高维预测变量回归中，如何估计保留响应分布或响应均值充分信息的低维子空间，并确定降维维度和调节参数？
- 方法与思路
- 作者用 Fourier 变换构造恢复目标子空间的候选矩阵，在预测变量正态假设下给出显式估计，并采用 Bootstrap 选择维度和调节参数。
- 材料陈述的贡献
- 摘要称，候选矩阵的列空间能完整恢复两类目标子空间；模拟与真实数据展示了相对于 SIR、SAVE 等方法的竞争性表现。
- 阅读关注点
- 应核对子空间恢复所需条件、正态假设在估计中的作用，以及 Bootstrap 的选择规则和模拟中与其他方法比较的设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出全部恢复条件或性能数值，竞争性表现不代表在所有分布下都更优。
原文摘要
In regression with a high-dimensional predictor vector, it is important to estimate the central and central mean subspaces that preserve sufficient information about the response and the mean response. Using the Fourier transform, we have derived the candidate matrices whose column spaces recover the central and central mean subspaces exhaustively. Under the normality assumption of the predictors, explicit estimates of the central and central mean subspaces are derived. Bootstrap procedures are used for determining dimensionality and choosing tuning parameters. Simulation results and an application to a real data are reported. Our methods demonstrate competitive performance compared with SIR, SAVE, and other existing methods. The approach proposed in the article provides a novel view on sufficient dimension reduction and may lead to more powerful tools in the future.