Variable Selection for Global Fréchet Regression
全局 Fréchet 回归的变量选择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：摘要研究通用度量空间响应的变量选择，分布与网络仅为对象示例，不足以归入所列经济学细分方向。
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…
全局 Fréchet 回归的变量选择
- 研究问题
- 当响应是分布、网络或流形等度量空间对象，而预测变量为欧氏向量时，如何在缺少常规模型参数的情况下选择变量？
- 方法与思路
- 作者提出适用于全局 Fréchet 回归的新变量选择方法，以应对无法直接沿用线性回归参数筛选方法的困难；摘要未说明具体准则。
- 材料陈述的贡献
- 摘要称该方法具有变量选择一致性的理论支持，并通过数值例子和数据分析考察有限样本表现，但未给出具体结果。
- 阅读关注点
- 应核对相关变量如何定义、筛选准则如何构造，以及选择一致性所需条件，并检查不同度量空间下的计算与稳定性。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；不能判断具体筛选机制、理论条件及适用空间，也不能推断后续刊本变化。
原文摘要
Global Fréchet regression is an extension of linear regression to cover more general types of responses, such as distributions, networks, and manifolds, which are becoming more prevalent. In such models, predictors are Euclidean while responses are metric space valued. Predictor selection is of major relevance for regression modeling in the presence of multiple predictors but has not yet been addressed for Fréchet regression. Due to the metric space-valued nature of the responses, Fréchet regression models do not feature model parameters, and this lack of parameters makes it a major challenge to extend existing variable selection methods for linear regression to global Fréchet regression. In this work, we address this challenge and propose a novel variable selection method that overcomes it and has good practical performance. We provide theoretical support and demonstrate that the proposed variable selection method achieves selection consistency. We also explore the finite sample performance of the proposed method with numerical examples and data illustrations.