Optimal sufficient dimension reduction for the conditional mean in multivariate regression
多元回归条件均值的最优充分降维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：摘要属于一般多元回归降维理论，没有足够证据归入给定的应用细分领域。
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
多元回归条件均值的最优充分降维
- 研究问题
- 如何为多元回归的条件均值构造充分降维方法，并同时开展降维维数检验与预测变量效应检验？
- 方法与思路
- 作者在与既有方法相近的框架下提出新的充分降维方法，讨论其渐近最优性及维数检验，并进行方法比较。
- 材料陈述的贡献
- 摘要称新方法具有文中定义的渐近最优性，维数检验统计量在原假设下渐近服从卡方分布，且允许检验预测变量效应。
- 阅读关注点
- 应核对“最优”的评价标准、充分降维的目标空间、卡方极限所需条件，以及与既有方法比较的设定和指标。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。最优性定义、正则条件和比较结果细节未提供，不能认定其普遍优于其他方法。
原文摘要
The aim of this article is to develop optimal sufficient dimension reduction methodology for the conditional mean in multivariate regression. The context is roughly the same as that of a related method by Cook & Setodji (2003), but the new method has several advantages. It is asymptotically optimal in the sense described herein and its test statistic for dimension always has a chi-squared distribution asymptotically under the null hypothesis. Additionally, the optimal method allows tests of predictor effects. A comparison of the two methods is provided.