Dimension Reduction for the Conditional k th Moment in Regression
回归中条件第 k 阶矩的降维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：摘要研究一般回归中的条件矩降维，并未讨论分位数或政策分布效应，也未涉及宏观和金融应用，故不指定领域细分。
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
回归中条件第 k 阶矩的降维
- 研究问题
- 不预先指定回归模型时，如何用较低维的预测变量表示保留条件均值、方差直至第 k 阶矩的信息，并据此指导回归图形总结？
- 方法与思路
- 作者引入中心第 k 阶矩子空间，研究其估计方法，并建立与切片逆回归的联系，通过实例说明相关理论和降维思路。
- 材料陈述的贡献
- 摘要称提出针对前 k 阶条件矩信息的总体降维结构及新估计方法，并揭示其与切片逆回归之间的联系，提供理论说明实例。
- 阅读关注点
- 核对子空间的信息保留定义、存在性与唯一性、所需矩条件，以及估计方法的适用范围和它与完整中心子空间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要版本；摘要未给出估计公式、收敛性质或实例数值，保留前 k 阶矩信息不能直接理解为保留完整条件分布。
原文摘要
Summary The idea of dimension reduction without loss of information can be quite helpful for guiding the construction of summary plots in regression without requiring a prespecified model. Central subspaces are designed to capture all the information for the regression and to provide a population structure for dimension reduction. Here, we introduce the central kth-moment subspace to capture information from the mean, variance and so on up to the kth conditional moment of the regression. New methods are studied for estimating these subspaces. Connections with sliced inverse regression are established, and examples illustrating the theory are presented.