Dimension reduction in regression without matrix inversion
无需矩阵求逆的回归降维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：摘要研究通用回归充分降维并应用于基因组学，未提供所列经济计量领域细分的直接依据。
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
无需矩阵求逆的回归降维
- 研究问题
- 当预测变量多于独立观测单位、样本协方差矩阵难以求逆时，如何估计回归中心子空间并实施充分降维？
- 方法与思路
- 作者提出无需对样本预测变量协方差矩阵求逆的中心子空间估计方法，并以模拟和基因组学应用展示其表现。
- 材料陈述的贡献
- 摘要称，方法不受样本量与预测变量数关系的限制；在标准方法可用时，模拟比较显示其表现较好。
- 阅读关注点
- 应核对中心子空间的识别与估计条件、降维维数选择，以及高维情形的理论范围和模拟比较所用标准。
- 阅读边界
- 仅据所给RePEc摘要；算法细节、理论条件和模拟数值未提供，不受维数关系限制不等于任意数据下均准确。
原文摘要
Regressions in which the fixed number of predictors p exceeds the number of independent observational units n occur in a variety of scientific fields. Sufficient dimension reduction provides a promising approach to such problems, by restricting attention to d < n linear combinations of the original p predictors. However, standard methods of sufficient dimension reduction require inversion of the sample predictor covariance matrix. We propose a method for estimating the central subspace that eliminates the need for such inversion and is applicable regardless of the (n, p) relationship. Simulations show that our method compares favourably with standard large sample techniques when the latter are applicable. We illustrate our method with a genomics application. Copyright 2007, Oxford University Press.