Shrinkage Inverse Regression Estimation for Model-Free Variable Selection
用于无模型变量选择的收缩逆回归估计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：摘要涉及通用逆回归降维和变量选择，没有明确的因果、结构或其他所列细分研究对象。
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
用于无模型变量选择的收缩逆回归估计
- 研究问题
- 如何在不指定传统回归模型的情况下，将高维预测变量压缩为低维投影，同时识别哪些原始变量与响应有关？
- 方法与思路
- 作者为一族逆回归估计量提出通用收缩策略，将降维基的估计与变量选择结合，并通过模拟和真实数据分析展示方法。
- 材料陈述的贡献
- 摘要称，新估计量无需传统模型即可实现变量选择一致性，同时保留降维基估计的根号样本量一致性。
- 阅读关注点
- 应核对无模型表述仍依赖哪些分布和降维条件，以及收缩参数选择、降维基识别和变量选择一致性的适用维度范围。
- 阅读边界
- 仅据所给 Crossref 摘要；不指定传统模型并不代表无需假设，具体条件、算法及模拟结果未说明，不能推断其他版本变化。
原文摘要
Summary The family of inverse regression estimators that was recently proposed by Cook and Ni has proven effective in dimension reduction by transforming the high dimensional predictor vector to its low dimensional projections. We propose a general shrinkage estimation strategy for the entire inverse regression estimation family that is capable of simultaneous dimension reduction and variable selection. We demonstrate that the new estimators achieve consistency in variable selection without requiring any traditional model, meanwhile retaining the root n estimation consistency of the dimension reduction basis. We also show the effectiveness of the new estimators through both simulation and real data analysis.