Dimension reduction based on constrained canonical correlation and variable filtering
基于约束典型相关与变量筛选的降维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：摘要属于通用高维降维与变量筛选，未提供宏观因子模型或金融因子分析的依据。
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
基于约束典型相关与变量筛选的降维
- 研究问题
- 研究如何使高维数据的降维方向只包含部分解释变量，在改善可解释性的同时保留有用的预测信息。
- 方法与思路
- 作者在典型相关降维基础上提出约束典型相关方法 C3，再进行变量筛选，并通过模拟和两个例子展示表现。
- 材料陈述的贡献
- 摘要称方法产生更简洁的复合方向，并在模拟中相对收缩切片逆回归表现更好；未提供具体比较指标或幅度。
- 阅读关注点
- 阅读全文时应核对约束形式、筛选规则、保留降维信息所需条件，以及模拟比较是否使用一致的调参和评价标准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；保留无约束方法性质是研究目标，摘要未说明具体保证及性能优势的范围。
原文摘要
The “curse of dimensionality” has remained a challenge for high-dimensional data analysis in statistics. The sliced inverse regression (SIR) and canonical correlation (CANCOR) methods aim to reduce the dimensionality of data by replacing the explanatory variables with a small number of composite directions without losing much information. However, the estimated composite directions generally involve all of the variables, making their interpretation difficult. To simplify the direction estimates, Ni, Cook and Tsai [Biometrika 92 (2005) 242–247] proposed the shrinkage sliced inverse regression (SSIR) based on SIR. In this paper, we propose the constrained canonical correlation (C3) method based on CANCOR, followed by a simple variable filtering method. As a result, each composite direction consists of a subset of the variables for interpretability as well as predictive power. The proposed method aims to identify simple structures without sacrificing the desirable properties of the unconstrained CANCOR estimates. The simulation studies demonstrate the performance advantage of the proposed C3 method over the SSIR method. We also use the proposed method in two examples for illustration.