Prediction by Supervised Principal Components
监督主成分预测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：摘要涉及通用高维回归和生存分析，未明确研究宏观因子、宏观预测或金融收益预测。
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…
监督主成分预测
- 研究问题
- 当预测变量数量远多于观测数时，如何借助与结果变量相关的信息提取主成分，改善回归及广义回归中的预测？
- 方法与思路
- 作者先按预测变量与结果的关联筛选变量，再对筛选后的子集进行主成分分析，并扩展到生存分析等回归问题。
- 材料陈述的贡献
- 摘要称，该方法在所考察比较中表现较好，可调整其他协变量并识别重要预测变量，同时提供渐近一致性结果。
- 阅读关注点
- 核对变量筛选阈值、主成分数量的选择、预测评估与筛选是否分开，以及一致性结论需要的维度和模型条件。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确定比较方法、误差幅度及一致性条件，也不能将生物数据预测结果推广到经济预测。
原文摘要
In regression problems where the number of predictors greatly exceeds the number of observations, conventional regression techniques may produce unsatisfactory results. We describe a technique called supervised principal components that can be applied to this type of problem. Supervised principal components is similar to conventional principal components analysis except that it uses a subset of the predictors selected based on their association with the outcome. Supervised principal components can be applied to regression and generalized regression problems, such as survival analysis. It compares favorably to other techniques for this type of problem, and can also account for the effects of other covariates and help identify which predictor variables are most important. We also provide asymptotic consistency results to help support our empirical findings. These methods could become important tools for DNA microarray data, where they may be used to more accurately diagnose and treat cancer.