Dimension reduction for nonelliptically distributed predictors
非椭圆分布预测变量的降维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：摘要属于通用充分降维理论，未涉及具体经济模型或所列细分方向。
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
非椭圆分布预测变量的降维
- 研究问题
- 充分降维方法能否在不要求预测变量服从椭圆或多元正态分布的情况下，仍保留一致性及渐近正态性等性质？
- 方法与思路
- 作者借助“中心解空间”概念重构常用降维方法，绕开强预测变量分布要求，并以模拟和一个数据集展示应用。
- 材料陈述的贡献
- 摘要称新方法可避免所述强分布假设，同时保留平方根样本量速率的一致性和渐近正态性等经典方法性质。
- 阅读关注点
- 应核对中心解空间与经典降维目标的关系、替代假设、识别条件及渐近结果范围，并检查模拟和应用中的比较设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；放宽椭圆分布要求不等于无需假设，摘要未说明替代条件或适用维数范围。
原文摘要
Sufficient dimension reduction methods often require stringent conditions on the joint distribution of the predictor, or, when such conditions are not satisfied, rely on marginal transformation or reweighting to fulfill them approximately. For example, a typical dimension reduction method would require the predictor to have elliptical or even multivariate normal distribution. In this paper, we reformulate the commonly used dimension reduction methods, via the notion of “central solution space,” so as to circumvent the requirements of such strong assumptions, while at the same time preserve the desirable properties of the classical methods, such as $\sqrt{n}$-consistency and asymptotic normality. Imposing elliptical distributions or even stronger assumptions on predictors is often considered as the necessary tradeoff for overcoming the “curse of dimensionality,” but the development of this paper shows that this need not be the case. The new methods will be compared with existing methods by simulation and applied to a data set.