A two-stage dimension-reduction method for transformed responses and its applications
变换响应的两阶段降维方法及其应用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：摘要研究充分降维与生物标志物分析，未直接涉及所列计量领域细分。
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
变换响应的两阶段降维方法及其应用
- 研究问题
- 当研究对象是原始响应的某种变换时，如何估计其中心子空间，在保留相关协变量信息的同时提高降维效率？
- 方法与思路
- 作者提出变换响应中心子空间的两阶段估计方法，并扩展至删失响应与多种生物标志物的组合分析。
- 材料陈述的贡献
- 摘要称两阶段程序比直接估计更有效率，模拟与数据实例支持其表现；但未列出效率增益的具体理论形式。
- 阅读关注点
- 核对两阶段各自的估计对象、两个中心子空间的关系，以及删失扩展所需条件和模拟中直接方法的具体实现。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；阶段构造、效率条件与数值改善幅度均未说明，不能判断普遍优势。
原文摘要
Researchers in the biological sciences nowadays often encounter the curse of dimensionality. To tackle this, sufficient dimension reduction aims to estimate the central subspace, in which all the necessary information supplied by the covariates regarding the response of interest is contained. Subsequent statistical analysis can then be made in a lower-dimensional space while preserving relevant information. Many studies are concerned with the transformed response rather than the original one, but they may have different central subspaces. When estimating the central subspace of the transformed response, direct methods will be inefficient. In this article, we propose a more efficient two-stage estimator of the central subspace of a transformed response. This approach is extended to censored responses and is applied to combining multiple biomarkers. Simulation studies and data examples support the superiority of the procedure.