A note on shrinkage sliced inverse regression
收缩切片逆回归札记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：材料属于通用降维与回归预测方法，没有宏观或金融预测任务的直接依据。
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…
收缩切片逆回归札记
- 研究问题
- 如何在充分降维框架中加入收缩，使切片逆回归得到更易解释的表示，并改善单指标或多指标模型的预测？
- 方法与思路
- 作者把 Lasso 收缩引入切片逆回归，不要求指定参数化模型；模拟中分别用贝叶斯信息准则和残差信息准则选择调节参数。
- 材料陈述的贡献
- 摘要称该估计量有助于解释并提高预测准确性，可用于单指标与多指标模型；模拟表明两种调参准则下表现良好。
- 阅读关注点
- 应核对充分降维所需条件、收缩目标函数、切片与降维维数的选择，并检查预测比较的基准及调参准则的具体定义。
- 阅读边界
- 未指定参数模型不等于无需统计假设；摘要未提供完整条件、比较幅度或稀疏恢复结果。OpenAlex 索引未注明稿件版本。
原文摘要
We employ Lasso shrinkage within the context of sufficient dimension reduction to obtain a shrinkage sliced inverse regression estimator, which provides easier interpretations and better prediction accuracy without assuming a parametric model. The shrinkage sliced inverse regression approach can be employed for both single-index and multiple-index models. Simulation studies suggest that the new estimator performs well when its tuning parameter is selected by either the Bayesian information criterion or the residual information criterion. Copyright 2005, Oxford University Press.