On Estimation Efficiency of the Central Mean Subspace
中心均值子空间的估计效率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：摘要研究一般充分降维与半参数效率，未明确涉及所列结构估计或其他领域细分。
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
中心均值子空间的估计效率
- 研究问题
- 在充分降维框架中，如何提高中心均值子空间的估计效率，并处理方差部分潜在高维性带来的实际估计困难？
- 方法与思路
- 作者推导半参数有效得分，讨论其实际可用性，并构造局部有效估计器，以模拟和真实数据与已有方法比较。
- 材料陈述的贡献
- 摘要称即使方差部分存在高维困难，仍可在实践中构造局部有效估计器，并通过模拟及应用展示效率收益。
- 阅读关注点
- 全文需核对中心均值子空间的识别与参数化、有效得分所需的辅助量，以及局部有效性的条件和比较方法设置。
- 阅读边界
- 仅据 Crossref 摘要；局部有效性的具体条件及效率比较数值未说明，不能据此断言所有数据情形下都达到全局效率界。
原文摘要
Summary We investigate the estimation efficiency of the central mean subspace in the framework of sufficient dimension reduction. We derive the semiparametric efficient score and study its practical applicability. Despite the difficulty caused by the potential high dimension issue in the variance component, we show that locally efficient estimators can be constructed in practice. We conduct simulation studies and a real data analysis to demonstrate the finite sample performance and gain in efficiency of the proposed estimators in comparison with several existing methods.