Measurement Error Regression with Unknown Link: Dimension Reduction and Data Visualization
未知连接函数的测量误差回归：降维与数据可视化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：摘要研究通用测量误差与单指标降维，未明确涉及所列结构估计或因果方向。
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
未知连接函数的测量误差回归：降维与数据可视化
- 研究问题
- 在自变量含测量误差的未知连接函数单指标回归中，能否借助替代变量变换恢复真实回归方向，并建立估计量的渐近分布？
- 方法与思路
- 作者设定替代变量的期望与真实自变量线性相关且方差恒定，识别一个变换，再分析变换后普通最小二乘和切片逆回归。
- 材料陈述的贡献
- 摘要称，在所研究条件下，两种方法可一致估计真实回归参数的方向，即确定到比例常数；作者还推导渐近分布并进行切片逆回归模拟。
- 阅读关注点
- 应核对替代变量条件的精确定义、变换所需信息、方向识别的额外条件，以及比例常数、渐近方差和切片选择如何处理。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明完整识别条件与变换公式；方向一致性不等于系数尺度已识别，也不能推广到任意测量误差。
原文摘要
A general nonlinear regression problem is considered with measurement error in the predictors. We assume that the response is related to an unknown linear combination of a multidimensional predictor through an unknown link function. Instead of observing the predictor, we instead observe a surrogate with the property that its expectation is linearly related to the true predictor with constant variance. We identify an important transformation of the surrogate variable. Using this transformed variable, we show that if one proceeds with the usual analysis ignoring measurement error, then both ordinary least squares and sliced inverse regression yield estimates which consistently estimate the true regression parameter, up to a constant of proportionality. We derive the asymptotic distribution of the estimates. A simulation study is conducted applying sliced inverse regression in this context.