Testing predictor contributions in sufficient dimension reduction
充分降维中的预测变量贡献检验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：摘要属于通用回归降维和变量贡献检验，未明确涉及所列应用细分领域。
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
充分降维中的预测变量贡献检验
- 研究问题
- 不指定响应变量给定预测变量的条件分布时，如何检验选定预测变量没有作用，并涵盖均值之外的回归信息？
- 方法与思路
- 作者以充分降维替代原预测向量，在保留回归信息的低维表示中构造检验，并详细发展切片逆回归方法。
- 材料陈述的贡献
- 摘要称所提检验不要求条件分布模型或平滑处理，预测变量作用也不限于均值函数，并给出切片逆回归实现。
- 阅读关注点
- 应核对无作用假设与降维空间的关系、切片逆回归所需条件，以及非均值信息是否都能被实际检验捕获。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；模型分布不预设不等于无需条件，摘要未说明检验校准和功效边界。
原文摘要
We develop tests of the hypothesis of no effect for selected predictors in regression, without assuming a model for the conditional distribution of the response given the predictors. Predictor effects need not be limited to the mean function and smoothing is not required. The general approach is based on sufficient dimension reduction, the idea being to replace the predictor vector with a lower-dimensional version without loss of information on the regression. Methodology using sliced inverse regression is developed in detail.