On Directional Regression for Dimension Reduction
用于降维的方向回归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：摘要研究一般回归降维与中心空间维数检验，应用为手写数字识别，未明确涉及宏观或金融因子模型等给定细分方向。
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
用于降维的方向回归
- 研究问题
- 如何从经验方向构造降维方法，结合条件矩方法的优势，并通过统计检验确定回归关系所需中心空间的维数？
- 方法与思路
- 作者提出方向回归，综合切片逆回归与切片平均方差估计等条件矩方法，并由估计量渐近分布构造维数的序贯检验。
- 材料陈述的贡献
- 摘要称方向回归具有充分恢复降维空间的性质，并在准确性和计算量上有优势；模拟及手写数字数据用于展示表现。
- 阅读关注点
- 阅读全文时应核对中心空间恢复的条件、方向回归与条件矩方法的关系、序贯检验构造，以及摘要缺失的一致性速率符号。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性表述中的速率符号缺失，需查阅原 PDF，不得据此重构速率或推导结论。
原文摘要
We introduce directional regression (DR) as a method for dimension reduction. Like contour regression, DR is derived from empirical directions, but achieves higher accuracy and requires substantially less computation. DR naturally synthesizes the dimension reduction estimators based on conditional moments, such as sliced inverse regression and sliced average variance estimation, and in doing so combines the advantages of these methods. Under mild conditions, it provides exhaustive and -consistent estimate of the dimension reduction space. We develop the asymptotic distribution of the DR estimator, and from that a sequential test procedure to determine the dimension of the central space. We compare the performance of DR with that of existing methods by simulation and find strong evidence of its advantage over a wide range of models. Finally, we apply DR to analyze a data set concerning the identification of hand-written digits.