Groupwise Dimension Reduction via Envelope Method
通过包络方法进行分组降维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：摘要研究通用充分降维与预测变量分组，未明确涉及因子模型或其他所列经济计量方向。
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
通过包络方法进行分组降维
- 研究问题
- 预测变量具有事先已知的分组结构时，如何在保留完整回归信息的同时进行降维，并让所得指标保持组别可解释性？
- 方法与思路
- 作者基于新的直和包络概念，构建将预测变量分组信息纳入现有充分降维估计量的系统方法，并讨论其他先验结构。
- 材料陈述的贡献
- 摘要称，该方法让降维结果更容易解释，并为纳入多类先验结构提供原则性框架；模拟与真实数据展示其数值表现。
- 阅读关注点
- 应核对完整回归信息与保留分组的数学定义、直和包络的构造，以及分组错误或维度选择如何影响估计结果。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；摘要未说明信息保留条件，也未量化数值表现或错误分组的影响。
原文摘要
The family of sufficient dimension reduction (SDR) methods that produce informative combinations of predictors, or indices, are particularly useful for high dimensional regression analysis. In many such analyses, it becomes increasingly common that there is available a priori subject knowledge of the predictors; e.g., they belong to different groups. While many recent SDR proposals have greatly expanded the scope of the methods' applicability, how to effectively incorporate the prior predictor structure information remains a challenge. In this article, we aim at dimension reduction that recovers full regression information while preserving the predictor group structure. Built upon a new concept of the direct sum envelope, we introduce a systematic way to incorporate the group information in most existing SDR estimators. As a result, the reduction outcomes are much easier to interpret. Moreover, the envelope method provides a principled way to build a variety of prior structures into dimension reduction analysis. Both simulations and real data analysis demonstrate the competent numerical performance of the new method.