Nearest neighbor inverse regression
最近邻逆回归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：摘要讨论通用非参数回归降维，未涉及结构经济模型、因子模型或其他给定领域细分的明确内容。
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…
关注这篇论文的作者
最近邻逆回归
- 研究问题
- 在非参数回归降维中，能否以最近邻方式确定逆回归的切片，并处理可能具有多个维度的响应变量？
- 方法与思路
- 作者构造切片逆回归的一种最近邻版本，让切片由邻近观测确定，并研究有效降维空间的估计速度。
- 材料陈述的贡献
- 摘要称在一般条件下，该方法可以估计有效降维空间，收敛速度达到样本量平方根的倒数。
- 阅读关注点
- 应核对最近邻切片的定义、多维响应下的距离选择，以及降维空间可识别性和平方根收敛速度所需条件。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；摘要未展开所称一般条件，也未说明推断或有限样本表现，不能推断刊本差异。
原文摘要
Sliced inverse regression (SIR), formally introduced by Li, is a very general procedure for performing dimension reduction in nonparametric regression. This paper considers a version of SIR in which the “slices” are determined by nearest neighbors and the response variable takes value possibly in a multidimensional space. It is shown, under general conditions, that the “effective dimension reduction space” can be estimated with rate $n^{-1/2}$ where $n$ is the sample size.