Sufficient dimension reduction based on an ensemble of minimum average variance estimators
基于最小平均方差估计集成的充分降维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：摘要研究通用回归充分降维，未明确对应经济因子模型、宏观预测或其他所列方向。
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
基于最小平均方差估计集成的充分降维
- 研究问题
- 如何通过多个函数变换对应的最小平均方差估计，完整恢复中心子空间，并统一处理单变量与多变量响应？
- 方法与思路
- 作者集成特征函数、Box–Cox 变换或小波基等函数对应的最小平均方差估计，并以交叉验证确定降维阶数。
- 材料陈述的贡献
- 摘要称估计量无需对预测变量施加苛刻限制即可完整估计中心子空间，保持原方法的收敛率，并建立选阶准则的相合性。
- 阅读关注点
- 应核对函数集合如何刻画中心子空间、集成估计的实施方式，以及完整恢复、收敛率和交叉验证相合性各自的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；剩余正则条件、集成规模和比较数值未说明，不能据此声称无条件恢复或普遍优于其他方法。
原文摘要
We introduce a class of dimension reduction estimators based on an ensemble of the minimum average variance estimates of functions that characterize the central subspace, such as the characteristic functions, the Box–Cox transformations and wavelet basis. The ensemble estimators exhaustively estimate the central subspace without imposing restrictive conditions on the predictors, and have the same convergence rate as the minimum average variance estimates. They are flexible and easy to implement, and allow repeated use of the available sample, which enhances accuracy. They are applicable to both univariate and multivariate responses in a unified form. We establish the consistency and convergence rate of these estimators, and the consistency of a cross validation criterion for order determination. We compare the ensemble estimators with other estimators in a wide variety of models, and establish their competent performance.