Efficient estimation in sufficient dimension reduction
充分降维中的有效估计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：摘要研究通用充分降维与半参数效率，中心子空间本身不足以归入宏观或金融因子模型。
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
充分降维中的有效估计
- 研究问题
- 如何在充分降维中识别并完整估计中心子空间，同时把这一子空间问题转化为可进行有效估计与参数推断的形式？
- 方法与思路
- 作者以新的参数化方式将中心子空间识别转为半参数模型中的有限维参数估计，推导有效估计量，并进行模拟和真实数据比较。
- 材料陈述的贡献
- 摘要称估计量达到半参数效率界，可在不施加分布假设的情况下完整估计中心子空间，并为唯一标识该子空间的参数推断提供可能。
- 阅读关注点
- 应核对参数化的唯一性、中心子空间维数如何处理、效率界所需正则条件，以及模拟和真实数据比较采用的具体标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不施加分布假设不等于没有其他条件，摘要未列出正则要求或有限样本比较数值。
原文摘要
We develop an efficient estimation procedure for identifying and estimating the central subspace. Using a new way of parameterization, we convert the problem of identifying the central subspace to the problem of estimating a finite dimensional parameter in a semiparametric model. This conversion allows us to derive an efficient estimator which reaches the optimal semiparametric efficiency bound. The resulting efficient estimator can exhaustively estimate the central subspace without imposing any distributional assumptions. Our proposed efficient estimation also provides a possibility for making inference of parameters that uniquely identify the central subspace. We conduct simulation studies and a real data analysis to demonstrate the finite sample performance in comparison with several existing methods.