On Partial Sufficient Dimension Reduction With Applications to Partially Linear Multi-Index Models
部分充分降维及其在部分线性多指标模型中的应用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：摘要研究通用充分降维与半参数回归，未明确涉及所列经济计量细分方向。
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…
部分充分降维及其在部分线性多指标模型中的应用
- 研究问题
- 当其余预测变量并非类别变量时，如何对主要关注的预测变量进行部分充分降维，并将得到的子空间用于半参数建模？
- 方法与思路
- 作者先通过二分化使已有部分降维方法可用，再对二分化预测变量取期望，以识别部分中心子空间，并展示部分线性多指标应用。
- 材料陈述的贡献
- 摘要提出不要求其余预测变量为类别变量的部分降维估计方法，并以半参数模型、模拟及真实数据例子说明其用途。
- 阅读关注点
- 应核对二分化对象与取期望的具体构造、部分中心子空间的识别条件，以及降维估计如何衔接部分线性多指标模型。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；未说明一致性条件、计算细节或模拟数值，不能据此判断有限样本性能。
原文摘要
Partial dimension reduction is a general method to seek informative convex combinations of predictors of primary interest, which includes dimension reduction as its special case when the predictors in the remaining part are constants. In this article, we propose a novel method to conduct partial dimension reduction estimation for predictors of primary interest without assuming that the remaining predictors are categorical. To this end, we first take the dichotomization step such that any existing approach for partial dimension reduction estimation can be employed. Then we take the expectation step to integrate over all the dichotomic predictors to identify the partial central subspace. As an example, we use the partially linear multi-index model to illustrate its applications for semiparametric modeling. Simulations and real data examples are given to illustrate our methodology.