Matrix Variate Regressions and Envelope Models
矩阵变量回归与包络模型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：摘要研究通用矩阵响应回归与包络降维，没有明确面板或因子结构，不能仅凭矩阵数据和高维设定归入这些领域。
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
矩阵变量回归与包络模型
- 研究问题
- 当响应变量为矩阵、解释变量可以是标量、向量或矩阵时，如何建立回归模型并减少高维估计中的冗余变异？
- 方法与思路
- 作者建立矩阵变量回归模型，在响应给定解释变量的条件分布中将解释变量视为非随机，并发展相应的包络扩展。
- 材料陈述的贡献
- 摘要称包络框架可消除估计中的冗余变异、减少高维矩阵模型的参数数量，并可能带来显著效率收益。
- 阅读关注点
- 应核对矩阵回归的参数结构、包络子空间的定义与估计，以及降维和效率收益所需条件及高维适用范围。
- 阅读边界
- 仅据所给Crossref摘要，识别条件、估计算法和效率比较未说明；摘要将显著效率收益表述为可能性，不能视为普遍保证。
原文摘要
Summary Modern technology often generates data with complex structures in which both response and explanatory variables are matrix valued. Existing methods in the literature can tackle matrix-valued predictors but are rather limited for matrix-valued responses. We study matrix variate regressions for such data, where the response Y on each experimental unit is a random matrix and the predictor X can be either a scalar, a vector or a matrix, treated as non-stochastic in terms of the conditional distribution Y|X. We propose models for matrix variate regressions and then develop envelope extensions of these models. Under the envelope framework, redundant variation can be eliminated in estimation and the number of parameters can be notably reduced when the matrix variate dimension is large, possibly resulting in significant gains in efficiency. The methods proposed are applicable to high dimensional settings.