Kernel dimension reduction in regression
回归中的核降维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，条件独立性在此不构成因果识别或其他经济领域分类依据。
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…
回归中的核降维
- 研究问题
- 能否直接利用给定投影后的条件独立性来估计回归中心子空间，并避免传统充分降维方法常用的线性或椭圆性条件？
- 方法与思路
- 作者用再生核希尔伯特空间中的条件协方差算子刻画条件独立性，由此构造中心子空间的M估计量，并提供经验比较。
- 材料陈述的贡献
- 摘要称，估计量在较弱条件下一致，无须所述传统线性或椭圆性条件；经验结果显示方法在实践中具有竞争力。
- 阅读关注点
- 核对核的选择、条件独立性刻画及中心子空间的可识别性，检查一致性的具体条件、优化实现与经验比较的评价指标。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；较弱条件和经验结果未展开，不能将免除两类传统条件理解为无需其他假设或普遍优越。
原文摘要
We present a new methodology for sufficient dimension reduction (SDR). Our methodology derives directly from the formulation of SDR in terms of the conditional independence of the covariate X from the response Y, given the projection of X on the central subspace [cf. J. Amer. Statist. Assoc. 86 (1991) 316–342 and Regression Graphics (1998) Wiley]. We show that this conditional independence assertion can be characterized in terms of conditional covariance operators on reproducing kernel Hilbert spaces and we show how this characterization leads to an M-estimator for the central subspace. The resulting estimator is shown to be consistent under weak conditions; in particular, we do not have to impose linearity or ellipticity conditions of the kinds that are generally invoked for SDR methods. We also present empirical results showing that the new methodology is competitive in practice.