Inference on the Primary Parameter of Interest with the Aid of Dimension Reduction Estimation
借助降维估计对主要关注参数进行推断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：摘要属于一般高维回归与半参数推断，未明确涉及因果、面板、结构估计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
借助降维估计对主要关注参数进行推断
- 研究问题
- 高维回归通过充分降维简化之后，如何继续对主要关注变量的参数进行完整分析与推断，而不止完成降维步骤？
- 方法与思路
- 作者将充分降维策略与灵活的半参数模型结合，以降低回归维度并围绕主要变量开展推断，再用模拟和实例展示方法。
- 材料陈述的贡献
- 摘要明确把降维后的参数推断作为重点，并称大量模拟展示所提方法的有效性，同时给出真实数据分析。
- 阅读关注点
- 应核对主要参数如何定义、降维方向如何估计、降维误差是否进入后续推断，以及半参数模型需要哪些条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断识别条件、效率界或模拟中的具体改善幅度；摘要也未说明真实数据的研究背景。
原文摘要
Summary As high dimensional data become routinely available in applied sciences, sufficient dimension reduction has been widely employed and its research has received considerable attention. However, with the majority of sufficient dimension reduction methodology focusing on the dimension reduction step, complete analysis and inference after dimension reduction have yet to receive much attention. We couple the strategy of sufficient dimension reduction with a flexible semiparametric model. We concentrate on inference with respect to the primary variables of interest, and we employ sufficient dimension reduction to bring down the dimension of the regression effectively. Extensive simulations demonstrate the efficacy of the method proposed, and a real data analysis is presented for illustration.