An adaptive composite quantile approach to dimension reduction
用于充分降维的自适应复合分位数方法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：摘要明确以复合分位数构造非参数回归降维方法，直接涉及分位数方法。
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
用于充分降维的自适应复合分位数方法
- 研究问题
- 在多元非参数回归中，如何恢复中心降维空间的全部方向，并兼顾异常值稳健性与对回归结构的适应性？
- 方法与思路
- 作者提出自适应复合分位数降维方法，并研究其渐近性质；摘要提到数值示例及真实数据分析，但未给出算法细节。
- 材料陈述的贡献
- 摘要称该方法所需假设较少，能够揭示全部降维方向，并具有异常值稳健性和结构适应性；这些比较需结合全文条件理解。
- 阅读关注点
- 应核对中心降维空间的定义、恢复全部方向所需条件、分位数的组合与自适应规则，以及稳健性和效率比较的依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明具体假设、渐近结论或效率增益大小，不能推断刊本变化。
原文摘要
Sufficient dimension reduction [J. Amer. Statist. Assoc. 86 (1991) 316–342] has long been a prominent issue in multivariate nonparametric regression analysis. To uncover the central dimension reduction space, we propose in this paper an adaptive composite quantile approach. Compared to existing methods, (1) it requires minimal assumptions and is capable of revealing all dimension reduction directions; (2) it is robust against outliers and (3) it is structure-adaptive, thus more efficient. Asymptotic results are proved and numerical examples are provided, including a real data analysis.