Likelihood-Based Sufficient Dimension Reduction
基于似然的充分降维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：摘要讨论通用充分降维与中心子空间估计，未明确对应经济因子、预测或其他所列细分方向。
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
基于似然的充分降维
- 研究问题
- 在给定响应后预测变量服从条件正态分布的设定下，如何利用最大似然估计中心子空间，并考察相对已有充分降维方法的表现？
- 方法与思路
- 作者在预测变量条件正态的假设下构造中心子空间的最大似然估计，并通过解析研究与模拟同切片逆回归等已有方法比较。
- 材料陈述的贡献
- 摘要称，新估计量在解析研究和模拟中可以明显优于所比较的方法，并似乎对偏离正态的情形较稳健，但未给出具体比较数值。
- 阅读关注点
- 阅读时应核对条件正态模型的具体设定、中心子空间的识别与维数选择、比较情境，以及偏离正态时稳健性的评价依据。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未说明估计公式、比较条件或稳健性范围，其试探性稳健表述不能视为一般理论保证。
原文摘要
We obtain the maximum likelihood estimator of the central subspace under conditional normality of the predictors given the response. Analytically and in simulations we found that our new estimator can preform much better than sliced inverse regression, sliced average variance estimation and directional regression, and that it seems quite robust to deviations from normality.