Estimating central subspaces via inverse third moments
利用逆向三阶矩估计中心子空间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：摘要研究一般回归降维与中心子空间估计，未涉及经济因子模型或特定应用，不能把降维直接归入因子方向。
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
利用逆向三阶矩估计中心子空间
- 研究问题
- 如何为回归和判别分析构造保留信息的低维表示，并发现切片逆回归与切片平均方差估计可能遗漏的结构？
- 方法与思路
- 作者提出利用逆向三阶矩进行降维，以估计中心子空间，并通过示例考察其对既有逆回归方法之外结构的发现能力。
- 材料陈述的贡献
- 摘要称新方法能够发现切片逆回归和切片平均方差估计未发现的结构，特别指出回归混合模型，并给出说明性示例。
- 阅读关注点
- 应核对逆向三阶矩的构造、中心子空间恢复条件、维数选择与估计步骤，以及回归混合示例中比较方法的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出恢复条件、渐近性质或系统比较，不能据此认定方法普遍优于既有降维法。
原文摘要
Modern graphical tools have enhanced our ability to learn many things from data directly. In recent years, dimension reduction has proven to be an effective tool for generating low‐dimensional summary plots without appreciable loss of information. Some well‐known inverse regression methods for dimension reduction such as sliced inverse regression (Li, 1991) and sliced average variance estimation (Cook & Weisberg, 1991) have been developed to estimate summary plots for regression and discriminant analysis. In this paper, we suggest a new method that makes use of inverse third moments. This method can find structure beyond that found by sliced inverse regression and sliced average variance estimation, particularly regression mixtures. Illustrative examples are presented.