Using intraslice covariances for improved estimation of the central subspace in regression
利用片内协方差改进回归中心子空间估计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：摘要研究通用回归降维与条件独立检验，未明确对应所列经济计量细分。
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
利用片内协方差改进回归中心子空间估计
- 研究问题
- 在通过切片连续响应估计回归中心子空间时，如何利用片内信息减轻信息损失，并开展涉及预测变量的条件独立检验？
- 方法与思路
- 作者使用片内协方差构造中心子空间推断方法，在一类二次推断函数中讨论最优性，并建立条件独立假设的卡方检验。
- 材料陈述的贡献
- 摘要称，方法在指定推断函数类中最优；作者的模拟经验显示其不劣于既有方法，部分设定下有明显改善。
- 阅读关注点
- 应核对最优性对应的函数类与准则、切片及维数选择方式、卡方近似条件，以及模拟比较覆盖了哪些数据生成机制。
- 阅读边界
- 所给为版本未注明的索引摘要；“从不更差”描述的是作者模拟经验，不能据此认定对所有分布或样本规模成立。
原文摘要
Popular methods for estimating the central subspace in regression require slicing a continuous response. However, slicing can result in loss of information and in some cases that loss can be substantial. We use intraslice covariances to construct improved inference methods for the central subspace. These methods are optimal within a class of quadratic inference functions and permit chi-squared tests of conditional independence hypotheses involving the predictors. Our experience gained through simulation is that the new method is never worse than existing methods, and can be substantially better.