Dimension reduction for censored regression data
删失回归数据的降维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：摘要讨论删失回归与通用降维理论，未提供因果、面板或其他所列细分方向的直接依据。
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…
删失回归数据的降维
- 研究问题
- 在高维回归数据存在删失时，如何先降低解释变量维度，再进行非参数平滑，并处理删失带来的偏差？
- 方法与思路
- 作者以切片逆回归进行降维：删失时间与生存时间独立时直接使用，否则通过所推导的关键恒等式修正删失偏差。
- 材料陈述的贡献
- 摘要称建立了修正估计量的根号样本量一致性，并将类似降维框架用于研究删失模式，提供模拟与真实数据应用。
- 阅读关注点
- 应核对独立删失与其他删失情形的具体条件、偏差修正恒等式、降维目标，以及一致性证明所需的正则条件。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未说明具体删失机制、估计步骤及应用结果，不能推断刊本变化。
原文摘要
Without parametric assumptions, high-dimensional regression analysis is already complex. This is made even harder when data are subject to censoring. In this article, we seek ways of reducing the dimensionality of the regressor before applying nonparametric smoothing techniques. If the censoring time is independent of the lifetime, then the method of sliced inverse regression can be applied directly. Otherwise, modification is needed to adjust for the censoring bias. A key identity leading to the bias correction is derived and the root-$n$ consistency of the modified estimate is established. Patterns of censoring can also be studied under a similar dimension reduction framework. Some simulation results and an applica-tion to a real data set are reported.