Partial inverse regression
偏逆回归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：文本依据是高维回归、充分降维及光谱分析，未涉及所列细分方向中的明确研究对象，不能仅凭回归方法作领域分类。
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
偏逆回归
- 研究问题
- 当预测变量数超过样本量时，如何进行保留回归信息的充分降维，并处理非线性或异方差回归中传统方法的限制？
- 方法与思路
- 作者先建立偏最小二乘与充分降维之间的联系，再据此提出偏逆回归，并研究样本估计量的一致性及高维情形下的表现。
- 材料陈述的贡献
- 摘要称新方法在样本量小于变量数时，表现接近或优于偏最小二乘，尤其在非线性或异方差模型中，并提供面团光谱分析示例。
- 阅读关注点
- 应核对一致性对应的渐近框架与条件、偏逆回归保留信息的具体含义，以及非线性和异方差比较所采用的设计与评价指标。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；摘要未说明维数增长条件或具体性能数值，所述比较不能推广至所有高维模型。
原文摘要
In regression with a vector of quantitative predictors, sufficient dimension reduction methods can effectively reduce the predictor dimension, while preserving full regression information and assuming no parametric model. However, all current reduction methods require the sample size n to be greater than the number of predictors p. It is well known that partial least squares can deal with problems with n < p. We first establish a link between partial least squares and sufficient dimension reduction. Motivated by this link, we then propose a new dimension reduction method, entitled partial inverse regression. We show that its sample estimator is consistent, and that its performance is similar to or superior to partial least squares when n < p, especially when the regression model is nonlinear or heteroscedastic. An example involving the spectroscopy analysis of biscuit dough is also given.