Transformed sufficient dimension reduction
变换后的充分降维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：摘要属于一般回归降维方法，未明确涉及因子模型或其他所列经济计量细分。
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…
变换后的充分降维
- 研究问题
- 如何在回归中建立介于线性降维与完全非线性降维之间的方法，使预测变量变换与低维投影共同表达响应相关的信息？
- 方法与思路
- 作者先对每个原始预测变量作单调变换，再在变换后的空间寻找低维投影，同时讨论用户指定与数据驱动的变换。
- 材料陈述的贡献
- 摘要提出统一的变换降维框架，分别给出两类变换下的代表性方法，并通过模拟及真实数据应用进行评价。
- 阅读关注点
- 应核对充分降维的目标定义、单调变换的选择和估计、投影维度的确定，以及数据驱动变换对理论与验证的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明充分性条件、估计误差或模拟结果，不能认定变换总能改善降维效果。
原文摘要
We propose a general framework for dimension reduction in regression to fill the gap between linear and fully nonlinear dimension reduction. The main idea is to first transform each of the raw predictors monotonically and then search for a low-dimensional projection in the space defined by the transformed variables. Both user-specified and data-driven transformations are suggested. In each case, the methodology is first discussed in generality and then a representative method is proposed and evaluated by simulation. The proposed methods are applied to a real dataset.