Sufficient dimension reduction through discretization-expectation estimation
通过离散化—期望估计实现充分降维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：摘要聚焦通用充分降维方法，没有直接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…
通过离散化—期望估计实现充分降维
- 研究问题
- 逆回归降维常依赖响应变量的切片数选择；作者研究如何免去这一选择，同时简约地恢复回归模型的中心子空间。
- 方法与思路
- 作者提出离散化—期望估计方法，将其用于多种逆回归估计及多元响应回归，并提出选择中心子空间维数的 BIC 型准则。
- 材料陈述的贡献
- 摘要称方法保持中心子空间，并使多种切片估计量具有根号样本量一致性和渐近正态性；模拟与应用比较结果较有利。
- 阅读关注点
- 应核对离散化与期望运算如何组合、恢复中心子空间所需条件，以及维数选择准则的性质和多元响应下的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“多种方法”不等于全部逆回归方法，具体正则条件、比较数值及刊本变化未提供。
原文摘要
In the context of sufficient dimension reduction, the goal is to parsimoniously recover the central subspace of a regression model. Many inverse regression methods use slicing estimation to recover the central subspace. The efficacy of slicing estimation depends heavily upon the number of slices. However, the selection of the number of slices is an open and long-standing problem. In this paper, we propose a discretization-expectation estimation method, which avoids selecting the number of slices, while preserving the integrity of the central subspace. This generic method assures root-n consistency and asymptotic normality of slicing estimators for many inverse regression methods, and can be applied to regressions with multivariate responses. A BIC-type criterion for the dimension of the central subspace is proposed. Comprehensive simulations and an illustrative application show that our method compares favourably with existing estimators.