On efficient dimension reduction with respect to a statistical functional of interest
针对目标统计泛函的有效降维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：条件分位数只是广泛泛函框架中的一例，摘要核心为通用降维效率理论，未明确聚焦所列应用领域。
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
针对目标统计泛函的有效降维
- 研究问题
- 如何针对条件均值、条件方差或条件分位数等目标泛函进行充分降维，并实现相应半参数估计的效率目标？
- 方法与思路
- 作者建立面向目标泛函的降维框架，推导有效得分与信息，并提出一类单步 Newton–Raphson 估计量。
- 材料陈述的贡献
- 摘要称，给出三类泛函的效率表达式，模拟中所提估计优于既有方法，并在鲍鱼数据中构造均值与方差子空间。
- 阅读关注点
- 应核对目标子空间的定义、效率界所依赖的模型、单步估计的初始条件，以及模拟比较的指标和适用范围。
- 阅读边界
- 所据为版本未注明的 OpenAlex 索引摘要；未给出效率条件、模拟数值或实施细节，不能据此确认普遍性能优势。
原文摘要
We introduce a new sufficient dimension reduction framework that targets a statistical functional of interest, and propose an efficient estimator for the semiparametric estimation problems of this type. The statistical functional covers a wide range of applications, such as conditional mean, conditional variance and conditional quantile. We derive the general forms of the efficient score and efficient information as well as their specific forms for three important statistical functionals: the linear functional, the composite linear functional and the implicit functional. In conjunction with our theoretical analysis, we also propose a class of one-step Newton–Raphson estimators and show by simulations that they substantially outperform existing methods. Finally, we apply the new method to construct the central mean and central variance subspaces for a data set involving the physical measurements and age of abalones, which exhibits a strong pattern of heteroscedasticity.