Estimating sufficient reductions of the predictors in abundant high-dimensional regressions
信息密集型高维回归中的预测变量充分降维估计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：摘要聚焦一般高维回归的充分降维理论，没有因子结构、经济预测或其他细分领域的明确证据。
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…
信息密集型高维回归中的预测变量充分降维估计
- 研究问题
- 当样本量与预测变量数按不同方式共同增长，且多数预测变量都含有响应信息时，充分降维方法能否保持一致性？
- 方法与思路
- 作者研究一类充分降维方法在不同样本量与维数增长配置下的渐近行为，并以模拟考察其理论结论。
- 材料陈述的贡献
- 摘要称，这类方法在多种情形下具有一致性，尤其适用于多数变量贡献信息的回归，并可能达到 oracle 收敛率。
- 阅读关注点
- 应核对充分降维目标的定义、信息密集型回归的形式条件、维数增长限制，以及达到 oracle 收敛率所需的额外假设。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；具体方法、增长条件与模拟结果未说明，不能推断其普遍优于稀疏回归方法。
原文摘要
We study the asymptotic behavior of a class of methods for sufficient dimension reduction in high-dimension regressions, as the sample size and number of predictors grow in various alignments. It is demonstrated that these methods are consistent in a variety of settings, particularly in abundant regressions where most predictors contribute some information on the response, and oracle rates are possible. Simulation results are presented to support the theoretical conclusion.