Determining the Dimension in Sliced Inverse Regression and Related Methods
切片逆回归及相关方法中的维数确定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子空间估计，缺乏对应所列经济计量细分的直接证据。
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…
关注这篇论文的作者
切片逆回归及相关方法中的维数确定
- 研究问题
- 在切片逆回归和主 Hessian 方向等降维方法中，如何依据子空间估计的稳定程度确定应保留的有效维数？
- 方法与思路
- 作者用有效降维子空间与其估计之间的平方迹相关衡量估计质量，推导渐近展开和估计方法，并通过模拟考察。
- 材料陈述的贡献
- 摘要称，文章提出以保留足够稳定的子空间为目标的维数选择思路，给出评价指标的渐近展开及可估计形式。
- 阅读关注点
- 应核对平方迹相关的定义、子空间稳定性的判据、渐近展开的适用条件，以及模拟中如何据此选择维数。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；维数选择阈值、分布条件及理论保证未说明，不能断言优于既有检验。
原文摘要
Sliced inverse regression (SIR) and principal Hessian directions aim to reduce the dimensionality of regression problems. An important step in the method is the determination of a suitable dimension. Although statistical tests based on the nullity eigenvalues are usually suggested, this article focuses on the quality of the estimation of the effective dimension reduction (EDR) spaces. Essentially, the goal is to retain only sufficiently stable subspaces. The goodness of the estimation is measured by the squared trace correlation between the subspaces of the EDR space and their estimates. Asymptotic expansions are derived and estimates deduced. Simulations give an insight on the behavior of the criterion and indicate how it can be used in practice.