Sliced Regression for Dimension Reduction
用于降维的切片回归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：摘要针对一般回归降维和中心子空间估计，未给出结构经济模型、因果问题或其他所列领域的直接研究证据。
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…
关注这篇论文的作者
用于降维的切片回归
- 研究问题
- 如何在回归降维中摆脱逆回归的线性条件，同时提高对极端值的稳健性、完整恢复中心子空间并确定其维数？
- 方法与思路
- 作者对响应区域切片，在每个切片内进行局部核回归以估计中心子空间，并构造一致的交叉验证准则选择维数。
- 材料陈述的贡献
- 摘要称，方法无需传统逆回归的线性条件，可完整恢复中心子空间；相较所列方法具有更高精度或更强极端值稳健性。
- 阅读关注点
- 应核对完整恢复所需的其他条件、局部核回归与切片选择、维数准则的一致性，以及精度和稳健性比较的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；免除线性条件不代表无条件适用，摘要未提供其他假设及比较数值。
原文摘要
A new dimension-reduction method involving slicing the region of the response and applying local kernel regression to each slice is proposed. Compared with the traditional inverse regression methods [e.g., sliced inverse regression (SIR)], the new method is free of the linearity condition and has much better estimation accuracy. Compared with the direct estimation methods (e.g., MAVE), the new method is much more robust against extreme values and can capture the entire central subspace (CS) exhaustively. To determine the CS dimension, a consistent cross-validation criterion is developed. Extensive numerical studies, including a real example, confirm our theoretical findings.