Sparse sufficient dimension reduction
稀疏充分降维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：摘要讨论通用回归中的充分降维与稀疏估计，未提供与所列经济计量细分方向直接对应的证据，因此不作领域归类。
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
稀疏充分降维
- 研究问题
- 如何在保留回归信息的同时，使降维方向只涉及部分原始预测变量，从而改善传统充分降维结果难以解释的问题？
- 方法与思路
- 作者提出统一估计策略，将充分降维的回归式表述与收缩估计结合，并用于切片逆回归、切片平均方差估计及主 Hessian 方向等方法。
- 材料陈述的贡献
- 摘要称该策略可生成稀疏且准确的降维结果，适用于多种已有充分降维方法，并以模拟和真实数据分析展示其效果。
- 阅读关注点
- 应核对稀疏性如何施加、收缩参数如何选择，以及各降维方法所需条件；同时查看模拟如何衡量准确性与变量筛选表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明理论保证、调参规则或具体比较结果，不能推断刊本变化。
原文摘要
Existing sufficient dimension reduction methods suffer from the fact that each dimension reduction component is a linear combination of all the original predictors, so that it is difficult to interpret the resulting estimates. We propose a unified estimation strategy, which combines a regression-type formulation of sufficient dimension reduction methods and shrinkage estimation, to produce sparse and accurate solutions. The method can be applied to most existing sufficient dimension reduction methods such as sliced inverse regression, sliced average variance estimation and principal Hessian directions. We demonstrate the effectiveness of the proposed method by both simulations and real data analysis.