A validated information criterion to determine the structural dimension in dimension reduction models
用验证信息准则确定降维模型的结构维数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：摘要聚焦一般充分降维与模型选择，未明确对应所列经济计量细分领域。
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
用验证信息准则确定降维模型的结构维数
- 研究问题
- 在充分降维中，如何确定结构维数，并减少对降维模型与矩阵特征结构之间联系及其线性条件的依赖？
- 方法与思路
- 作者提出验证信息准则，借助更高一维候选模型评价当前模型拟合，但无需实际估计该扩大模型的参数。
- 材料陈述的贡献
- 摘要称，该方法不再假定既有特征结构方法所依赖的线性条件，并证明维数选择的一致性，提供有限样本数值展示。
- 阅读关注点
- 应核对扩大模型如何提供验证、准则的拟合项与惩罚项构造，以及取消线性条件后仍需满足哪些一致性条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；准则公式、其余理论假设和数值结果未提供，不可将免除线性条件理解为无需假设。
原文摘要
A crucial component of performing sufficient dimension reduction is to determine the structural dimension of the reduction model. We propose a novel information criterion-based method for this purpose, a special feature of which is that when examining the goodness-of-fit of the current model, one needs to perform model evaluation by using an enlarged candidate model. Although the procedure does not require estimation under the enlarged model of dimension k+1, the decision as to how well the current model of dimension k fits relies on the validation provided by the enlarged model; thus we call this procedure the validated information criterion, vic(k). Our method is different from existing information criterion-based model selection methods; it breaks free from dependence on the connection between dimension reduction models and their corresponding matrix eigenstructures, which relies heavily on a linearity condition that we no longer assume. We prove consistency of the proposed method, and its finite-sample performance is demonstrated numerically.