Partial Least Squares Estimator for Single-Index Models
单指标模型的偏最小二乘估计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：摘要中的成分用于一般单指标回归，未涉及宏观因子、金融因子或经济结构参数估计。
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
单指标模型的偏最小二乘估计
- 研究问题
- 当解释变量高度共线时，偏最小二乘能否有效估计单指标模型，其表现与切片逆回归相比如何？
- 方法与思路
- 作者从解释变量的线性组合构造偏最小二乘成分，研究单指标估计的一致性，并通过三组模拟与切片逆回归比较。
- 材料陈述的贡献
- 摘要称，偏最小二乘估计在比例常数意义下一致；前两组共线性模拟优于切片逆回归，第三组展示更复杂设定的表现。
- 阅读关注点
- 应核对比例常数的一致性含义、成分数量选择、解释变量分布条件，以及三组模拟中比较方法的具体设定。
- 阅读边界
- 仅依据 Crossref 所供摘要；摘要未给出理论条件、误差数值或调参方式，所述模拟优势不能外推为普遍优越性。
原文摘要
Summary The partial least squares (PLS) approach first constructs new explanatory variables, known as factors (or components), which are linear combinations of available predictor variables. A small subset of these factors is then chosen and retained for prediction. We study the performance of PLS in estimating single-index models, especially when the predictor variables exhibit high collinearity. We show that PLS estimates are consistent up to a constant of proportionality. We present three simulation studies that compare the performance of PLS in estimating single-index models with that of sliced inverse regression (SIR). In the first two studies, we find that PLS performs better than SIR when collinearity exists. In the third study, we learn that PLS performs well even when there are multiple dependent variables, the link function is non-linear and the shape of the functional form is not known.