On the structural dimension of sliced inverse regression
切片逆回归的结构维度问题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：摘要研究通用充分降维与切片逆回归理论，未明确涉及所列经济计量领域细分。
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
切片逆回归的结构维度问题
- 研究问题
- 为什么切片逆回归在中心空间维度较大时经常表现不佳，逆回归信号的衰减与低信号下的估计难度能否解释这一现象？
- 方法与思路
- 作者在正态协变量、独立噪声和高斯过程连接函数的多指标模型中研究信号特征值，并推导低信号下的极小极大风险下界。
- 材料陈述的贡献
- 摘要称，相关特征值可随结构维度快速衰减，结合低信号风险下界可解释大维度时的困难，所用技术可能具有其他用途。
- 阅读关注点
- 应核对高斯过程的具体设定、概率界的条件与常数，以及风险下界采用的损失、参数空间和信号范围，并区分一般现象与模型结论。
- 阅读边界
- 索引摘要未注明稿件版本，风险下界等数学表达式可能丢失分式或上下标，需查原 PDF，不能重构公式或外推至任意连接函数。
原文摘要
In this work, we address the longstanding puzzle that Sliced Inverse Regression (SIR) often performs poorly for sufficient dimension reduction when the structural dimension d (the dimension of the central space) exceeds 4. We first show that in the multiple index model Y=f(PX)+ϵ where X is a p-standard normal vector, ϵ is an independent noise, and P is a projection operator from Rp to Rd, if the link function f follows the law of a Gaussian process. Then with high probability, the dth eigenvalue λd of Cov[E(X|Y)] satisfies λd≤Ce−θd for some positive constants C and θ. We then focus on the low signal regime where λd can be arbitrarily small and not larger than d−8.1, and prove that the minimax risk of estimating the central space is lower bounded by dp nλd. Combining these two results, we provide a convincing explanation for the poor performance of SIR when d is large, a phenomenon that has perplexed researchers for nearly three decades. The technical tools developed here may be of independent interest for studying other sufficient dimension reduction methods.