Determining the dimension of iterative Hessian transformation
迭代 Hessian 变换的维数确定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：摘要聚焦一般条件均值降维，未明确涉及所列因子模型或其他经济计量细分领域。
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
迭代 Hessian 变换的维数确定
- 研究问题
- 当研究目标是条件均值时，如何判断保留该均值信息的低维预测变量需要多少维，而非预先指定降维维数？
- 方法与思路
- 作者对迭代 Hessian 变换进行渐近分析，调整其位置与尺度不变性，并以逐步假设检验确定中心均值子空间维数。
- 材料陈述的贡献
- 摘要称给出维数选择的渐近检验，模拟结果与理论相符，并将方法用于臭氧数据；较少假设的优势沿用既有描述。
- 阅读关注点
- 应核对中心均值子空间的条件、逐步检验的统计量与停止规则，以及位置和尺度调整如何影响估计与推断。
- 阅读边界
- 仅据版本未注明的索引摘要；具体假设、检验误差控制和臭氧分析结果未说明，不能据此判断普遍降维优势。
原文摘要
The central mean subspace (CMS) and iterative Hessian transformation (IHT) have been introduced recently for dimension reduction when the conditional mean is of interest. Suppose that X is a vector-valued predictor and Y is a scalar response. The basic problem is to find a lower-dimensional predictor ηTX such that E(Y|X)=E(Y|ηTX). The CMS defines the inferential object for this problem and IHT provides an estimating procedure. Compared with other methods, IHT requires fewer assumptions and has been shown to perform well when the additional assumptions required by those methods fail. In this paper we give an asymptotic analysis of IHT and provide stepwise asymptotic hypothesis tests to determine the dimension of the CMS, as estimated by IHT. Here, the original IHT method has been modified to be invariant under location and scale transformations. To provide empirical support for our asymptotic results, we will present a series of simulation studies. These agree well with the theory. The method is applied to analyze an ozone data set.