Envelope-based sparse partial least squares
基于包络模型的稀疏偏最小二乘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：摘要研究通用回归的降维、变量选择与预测，没有明确的经济因子模型、宏观预测或收益预测内容，故不选择细分方向。
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
基于包络模型的稀疏偏最小二乘
- 研究问题
- 如何为同时降维与变量选择的稀疏偏最小二乘构造具有明确理论保证的版本，并扩展到高维和广义线性模型？
- 方法与思路
- 作者利用包络模型与偏最小二乘的联系构造新稀疏估计量，分析大样本及高维情形，并扩展到广义线性模型。
- 材料陈述的贡献
- 摘要称建立一致性、oracle 性质和渐近正态性等结果；数值实验与例子显示，其变量选择和预测优于所比较的既有版本。
- 阅读关注点
- 应核对包络子空间的定义与估计、稀疏惩罚和调参、维度增长条件，以及 oracle 性质与预测比较各自的适用范围。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未说明各理论结论的具体条件及改善幅度，不能认定优于所有稀疏偏最小二乘方法。
原文摘要
Sparse partial least squares (SPLS) is widely used in applied sciences as a method that performs dimension reduction and variable selection simultaneously in linear regression. Several implementations of SPLS have been derived, among which the SPLS proposed in Chun and Keleş (J. R. Stat. Soc. Ser. B. Stat. Methodol. 72 (2010) 3–25) is very popular and highly cited. However, for all of these implementations, the theoretical properties of SPLS are largely unknown. In this paper, we propose a new version of SPLS, called the envelope-based SPLS, using a connection between envelope models and partial least squares (PLS). We establish the consistency, oracle property and asymptotic normality of the envelope-based SPLS estimator. The large-sample scenario and high-dimensional scenario are both considered. We also develop the envelope-based SPLS estimators under the context of generalized linear models, and discuss its theoretical properties including consistency, oracle property and asymptotic distribution. Numerical experiments and examples show that the envelope-based SPLS estimator has better variable selection and prediction performance over the SPLS estimator (J. R. Stat. Soc. Ser. B. Stat. Methodol. 72 (2010) 3–25).