Covariate Information Matrix for Sufficient Dimension Reduction
用于充分降维的协变量信息矩阵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：摘要讨论一般回归中的充分降维，没有直接涉及给定的因果、面板、选择或金融方向。
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…
用于充分降维的协变量信息矩阵
- 研究问题
- 如何在回归充分降维中完整识别中心子空间，并按回归信息排列降维后的协变量，同时减少对协变量分布的限制？
- 方法与思路
- 作者构造协变量信息矩阵，结合非参数密度估计与矩阵特征分解实施降维，并用自助法诊断图选择中心子空间维数。
- 材料陈述的贡献
- 摘要称该矩阵完整识别中心子空间，无需协变量分布假设或均值回归函数估计，模拟与应用中表现优于或接近比较方法。
- 阅读关注点
- 应核对中心子空间完整识别所需条件、密度估计的维度负担，以及信息排序的含义和自助法维数诊断的依据。
- 阅读边界
- 来源为版本未注明的OpenAlex摘要；未要求协变量分布假设不代表没有其他正则条件，识别条件及比较数值未提供。
原文摘要
Building upon recent research on the applications of the density information matrix, we develop a tool for sufficient dimension reduction (SDR) in regression problems called covariate information matrix (CIM). CIM exhaustively identifies the central subspace (CS) and provides a rank ordering of the reduced covariates in terms of their regression information. Compared to other popular SDR methods, CIM does not require distributional assumptions on the covariates, or estimation of the mean regression function. CIM is implemented via eigen-decomposition of a matrix estimated with a previously developed efficient nonparametric density estimation technique. We also propose a bootstrap-based diagnostic plot for estimating the dimension of the CS. Results of simulations and real data applications demonstrate superior or competitive performance of CIM compared to that of some other SDR methods. Supplementary materials for this article are available online.