Principal Hessian Directions for regression with measurement error
含测量误差回归中的主 Hessian 方向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：摘要属于测量误差与回归降维方法，未指向所列结构估计或其他细分领域。
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
含测量误差回归中的主 Hessian 方向
- 研究问题
- 当真实预测变量不可观测、响应通过未知链接函数依赖其若干线性组合时，如何利用替代变量估计有效降维子空间？
- 方法与思路
- 作者对满足均值线性关系及恒定方差条件的替代变量作线性变换，构造修正的主 Hessian 方向方法并推导渐近方差。
- 材料陈述的贡献
- 摘要称该方法可估计有效降维空间的子空间，提供估计量的渐近方差，并通过若干例子与切片逆回归方法比较。
- 阅读关注点
- 核对替代变量条件的精确定义、线性变换所需信息，以及可恢复子空间的范围与相对切片逆回归的比较依据。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明变换参数如何获得、完整可识别条件或比较数值，不能认定普遍优势。
原文摘要
We consider a nonlinear regression problem with predictors with measurement error. We assume that the response is related to unknown linear combinations of a p‐dimensional predictor vector through an unknown link function. Instead of observing the predictors, we observe a surrogate vector with the property that its expectation is linearly related to the predictor vector with constant variance. We use an important linear transformation of the surrogates. Based on the transformed variables, we develop the modified Principal Hessian Directions method for estimating the subspace of the effective dimension‐reduction space. We derive the asymptotic variances of the modified Principal Hessian Directions estimators. Several examples are reported and comparisons are made with the sliced inverse regression method of Carroll & Li (1992).