SPReM: Sparse Projection Regression Model For High-Dimensional Linear Regression
SPReM：高维线性回归的稀疏投影回归模型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：摘要研究高维多响应回归与稀疏投影，未明确涉及结构估计、因果关系或所列因子模型，因此暂不分类。
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…
SPReM：高维线性回归的稀疏投影回归模型
- 研究问题
- 面对大量相关响应变量和多变量协变量，如何同时完成降维、响应选择、估计与检验，并缓解常规方法功效不足？
- 方法与思路
- 作者提出两个遗传力比率，将估计转化为稀疏单位秩投影问题，并通过序贯近似扩展到稀疏多秩投影。
- 材料陈述的贡献
- 摘要称研究了单位秩投影的收敛性质与估计收敛速率，提出快速优化算法，并在所述模拟和应用中优于比较方法。
- 阅读关注点
- 应核对两个比率的统计含义、响应相关性的处理、稀疏投影约束，以及优化收敛与统计收敛分别依赖的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；遗传力比率定义、模型条件及比较范围未提供，不能确认普遍功效优势或推断刊本变化。
原文摘要
The aim of this article is to develop a sparse projection regression modeling (SPReM) framework to perform multivariate regression modeling with a large number of responses and a multivariate covariate of interest. We propose two novel heritability ratios to simultaneously perform dimension reduction, response selection, estimation, and testing, while explicitly accounting for correlations among multivariate responses. Our SPReM is devised to specifically address the low statistical power issue of many standard statistical approaches, such as the Hotelling’s T2 test statistic or a mass univariate analysis, for high-dimensional data. We formulate the estimation problem of SPReM as a novel sparse unit rank projection (SURP) problem and propose a fast optimization algorithm for SURP. Furthermore, we extend SURP to the sparse multirank projection (SMURP) by adopting a sequential SURP approximation. Theoretically, we have systematically investigated the convergence properties of SURP and the convergence rate of SURP estimates. Our simulation results and real data analysis have shown that SPReM outperforms other state-of-the-art methods.