A convex formulation for high-dimensional sparse sliced inverse regression
高维稀疏切片逆回归的凸优化表述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：摘要聚焦通用充分降维与高维变量选择，未给出所列经济计量细分方向的依据。
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…
高维稀疏切片逆回归的凸优化表述
- 研究问题
- 切片逆回归的降维组合往往包含全部协变量，在高维情形下难以解释且可能增加波动；如何同时估计降维子空间与筛选变量？
- 方法与思路
- 作者构建高维稀疏切片逆回归的凸优化问题，直接估计协变量线性组合的子空间，并用线性化交替方向乘子法求解。
- 材料陈述的贡献
- 摘要称，该方法同时完成子空间估计与变量选择，建立估计子空间到真实子空间的距离上界，并以数值研究展示变量识别能力。
- 阅读关注点
- 应核对子空间距离的定义、理论上界所需的分布和信号条件，以及切片数、子空间维数与稀疏惩罚参数的选取方法。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未给出误差上界的具体形式或变量选择保证，数值识别表现不能替代理论选择一致性。
原文摘要
Sliced inverse regression is a popular tool for sufficient dimension reduction, which replaces covariates with a minimal set of their linear combinations without loss of information on the conditional distribution of the response given the covariates. The estimated linear combinations include all covariates, making results difficult to interpret and perhaps unnecessarily variable, particularly when the number of covariates is large. In this paper, we propose a convex formulation for fitting sparse sliced inverse regression in high dimensions. Our proposal estimates the subspace of the linear combinations of the covariates directly and performs variable selection simultaneously. We solve the resulting convex optimization problem via the linearized alternating direction methods of multiplier algorithm, and establish an upper bound on the subspace distance between the estimated and the true subspaces. Through numerical studies, we show that our proposal is able to identify the correct covariates in the high-dimensional setting.