A constructive approach to the estimation of dimension reduction directions
降维方向估计的构造性方法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：摘要研究通用充分降维，未提供因果、面板、结构估计或其他所列方向的直接依据。
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
降维方向估计的构造性方法
- 研究问题
- 如何估计中心子空间的全部降维方向，并避免逆回归方法的较强限制以及直接回归方法仅捕捉条件均值方向的局限？
- 方法与思路
- 作者提出两种方法，通过构造回归模型，使中心子空间的全部方向进入回归均值，并分析估计量与计算算法。
- 材料陈述的贡献
- 摘要称方法能够完整检出中心子空间方向，证明估计一致性与算法收敛，并报告相对逆回归方法更好的有限样本表现。
- 阅读关注点
- 应核对构造模型如何覆盖全部方向、仍需哪些协变量与函数条件，以及一致性、算法收敛和有限样本比较各自的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无需较强假设不等于无需假设，摘要也未说明性能比较的具体设计与边界。
原文摘要
In this paper we propose two new methods to estimate the dimension-reduction directions of the central subspace (CS) by constructing a regression model such that the directions are all captured in the regression mean. Compared with the inverse regression estimation methods [e.g., J. Amer. Statist. Assoc. 86 (1991) 328–332, J. Amer. Statist. Assoc. 86 (1991) 316–342, J. Amer. Statist. Assoc. 87 (1992) 1025–1039], the new methods require no strong assumptions on the design of covariates or the functional relation between regressors and the response variable, and have better performance than the inverse regression estimation methods for finite samples. Compared with the direct regression estimation methods [e.g., J. Amer. Statist. Assoc. 84 (1989) 986–995, Ann. Statist. 29 (2001) 1537–1566, J. R. Stat. Soc. Ser. B Stat. Methodol. 64 (2002) 363–410], which can only estimate the directions of CS in the regression mean, the new methods can detect the directions of CS exhaustively. Consistency of the estimators and the convergence of corresponding algorithms are proved.