High-Dimensional Sliced Inverse Kendall’s Tau Estimation for Heavy-Tailed Data
面向重尾数据的高维切片逆 Kendall 秩相关估计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：摘要明确包含资产定价数据应用，支持资产定价分类；核心降维理论本身属于通用统计方法。
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
面向重尾数据的高维切片逆 Kendall 秩相关估计
- 研究问题
- 如何在重尾预测变量及异常值可能影响常用方法时进行充分降维，并研究维度随样本量增长的情形？
- 方法与思路
- 作者提出切片逆 Kendall 秩相关估计 SIKE，针对高维椭圆分布数据，并引入补救算法扩展适用性。
- 材料陈述的贡献
- 摘要称该方法无需计算中位数或条件中位数，并研究高维理论性质，以模拟、资产定价及住房数据展示效果。
- 阅读关注点
- 应核对椭圆分布与重尾条件、降维目标、维度增长限制，以及补救算法的触发条件和实证比较标准。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体理论条件和误差结果未说明，不能据此判断对其他分布的适用性。
原文摘要
Sufficient dimension reduction is an important branch of statistical learning, which performs an optimal projection of covariates under a supervised learning framework. Most of the existing sufficient dimension reduction algorithms require strict restrictions on the distribution of models, making them sensitive to heavy-tailed predictors and outliers. In this article, we propose a novel method called Sliced Inverse Kendall’s tau Estimation (SIKE) designed for analyzing heavy-tailed, elliptically distributed and high-dimensional data that find wide application, especially in finance and economics. Compared with other existing methods, SIKE does not require computing median or conditional median, thus imposes milder conditions on the method and increases the precision of estimation. Furthermore, a remedial algorithm is introduced in discouraging situation, which enhances the general adaptability of our method. We investigate the theoretical properties of SIKE as the dimension p diverges with sample size n. Extensive simulation studies show that SIKE performs significantly well for various scenarios. Analyses of asset pricing data and housing data also demonstrate the effectiveness of our proposed method.