Contour projected dimension reduction
基于轮廓投影的降维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：摘要关注通用回归降维与重尾预测变量，未说明经济或金融研究对象，不能将降维子空间直接归为因子模型。
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…
基于轮廓投影的降维
- 研究问题
- 如何利用轮廓投影建立回归降维理论，并在预测变量具有重尾椭圆分布时估计适当子空间、改善降维表现？
- 方法与思路
- 作者定义中心轮廓子空间和广义轮廓子空间，构建基于轮廓投影的切片逆回归、切片平均方差估计及方向回归方法。
- 材料陈述的贡献
- 摘要称，新子空间的结构维数不超过中心子空间，并给出估计方法的理论性质；模拟中重尾椭圆预测变量下表现优于对应方法。
- 阅读关注点
- 应核对子空间存在与识别条件、维数比较的适用范围，以及重尾模拟的设计、评价指标和经验示例支持的具体结论。
- 阅读边界
- 所据为稿件版本未注明的 OpenAlex 索引摘要，未提供完整假设和模拟细节；所述优势限于摘要报告的重尾椭圆设定。
原文摘要
In regression analysis, we employ contour projection (CP) to develop a new dimension reduction theory. Accordingly, we introduce the notions of the central contour subspace and generalized contour subspace. We show that both of their structural dimensions are no larger than that of the central subspace Cook [Regression Graphics (1998b) Wiley]. Furthermore, we employ CP-sliced inverse regression, CP-sliced average variance estimation and CP-directional regression to estimate the generalized contour subspace, and we subsequently obtain their theoretical properties. Monte Carlo studies demonstrate that the three CP-based dimension reduction methods outperform their corresponding non-CP approaches when the predictors have heavy-tailed elliptical distributions. An empirical example is also presented to illustrate the usefulness of the CP method.