Dimension reduction for conditional mean in regression
回归条件均值的降维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：摘要研究一般回归条件均值降维，未涉及所列因子模型或分布效应的专门设定。
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
回归条件均值的降维
- 研究问题
- 当回归分析主要关心条件均值而非整个条件分布时，如何定义合适的降维目标，并据此构造条件要求更少的估计方法？
- 方法与思路
- 作者引入中心均值子空间，研究其性质与估计方法，并借此区分OLS、pHd、SIR和SAVE等降维方法。
- 材料陈述的贡献
- 摘要称新估计类比pHd需要更少条件，在一项pHd条件被违反时表现更好，并以卧地牛数据展示所提方法。
- 阅读关注点
- 应核对中心均值子空间的定义与存在条件、新估计类减少了哪些要求，以及所述优势的评价指标和适用范围。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断条件放宽的具体内容、优势幅度及普遍性；所述比较不能视为全面优越性结论。
原文摘要
In many situations regression analysis is mostly concerned with inferring about the conditional mean of the response given the predictors, and less concerned with the other aspects of the conditional distribution. In this paper we develop dimension reduction methods that incorporate this consideration. We introduce the notion of the Central Mean Subspace (CMS), a natural inferential object for dimension reduction when the mean function is of interest. We study properties of the CMS, and develop methods to estimate it. These methods include a new class of estimators which requires fewer conditions than pHd, and which displays a clear advantage when one of the conditions for pHd is violated. CMS also reveals a transparent distinction among the existing methods for dimension reduction: OLS, pHd, SIR and SAVE. We apply the new methods to a data set involving recumbent cows.