Sparse Partial Least Squares Regression for Simultaneous Dimension Reduction and Variable Selection
同时降维与变量选择的稀疏偏最小二乘回归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：摘要讨论高维回归与基因组数据中的预测和变量选择，未涉及宏观预测或收益预测，不能因出现预测目标而指定这些细分。
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
同时降维与变量选择的稀疏偏最小二乘回归
- 研究问题
- 在变量数很大而样本量较小的回归中，传统偏最小二乘的一致性为何不能直接沿用，如何同时实现降维、变量选择和预测？
- 方法与思路
- 作者研究单响应与多响应偏最小二乘的高维一致性问题，以原始预测变量的稀疏线性组合构造新方法，并进行模拟与基因数据应用。
- 材料陈述的贡献
- 摘要称揭示传统一致性结果在大变量数、小样本框架下失效，提出稀疏偏最小二乘及高效实现，并展示基因表达与结合数据联合分析。
- 阅读关注点
- 核对变量数与样本量的渐近关系、稀疏化目标与调参方法，以及模拟中的预测误差、变量选择表现和基因应用的验证方案。
- 阅读边界
- 仅据所给 Crossref 摘要版本；良好预测是方法目标，摘要未给出数值比较或选择一致性保证，不能声称全面优于其他方法。
原文摘要
Summary Partial least squares regression has been an alternative to ordinary least squares for handling multicollinearity in several areas of scientific research since the 1960s. It has recently gained much attention in the analysis of high dimensional genomic data. We show that known asymptotic consistency of the partial least squares estimator for a univariate response does not hold with the very large p and small n paradigm. We derive a similar result for a multivariate response regression with partial least squares. We then propose a sparse partial least squares formulation which aims simultaneously to achieve good predictive performance and variable selection by producing sparse linear combinations of the original predictors. We provide an efficient implementation of sparse partial least squares regression and compare it with well-known variable selection and dimension reduction approaches via simulation experiments. We illustrate the practical utility of sparse partial least squares regression in a joint analysis of gene expression and genomewide binding data.