Dimension Reduction in Binary Response Regression
二元响应回归中的降维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：摘要明确针对二元响应回归研究降维与模型探索，直接关联离散响应方法。
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
二元响应回归中的降维
- 研究问题
- 如何在不预先指定回归模型的情况下，为二元响应保留充分的解释变量信息，并构建能够指导分析的低维摘要图？
- 方法与思路
- 作者围绕中心子空间考察切片逆回归、主 Hessian 方向、切片平均方差估计及新提出的协方差差方法，并结合图形分析。
- 材料陈述的贡献
- 摘要称，文章研究四种方法估计中心子空间和生成充分摘要图的能力，并提出结合数值降维与图形方法的分析范式。
- 阅读关注点
- 应核对中心子空间存在和可估计的条件、各方法可恢复的方向，以及摘要图充分性的含义和方法比较的依据。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；各方法的恢复条件、比较结果和有限样本保证未说明，不能断言降维总无信息损失。
原文摘要
The idea of dimension reduction without loss of information can be quite helpful for guiding the construction of summary plots in regression without requiring a prespecified model. Focusing on the central subspace, we investigate such “sufficient” dimension reduction in regressions with a binary response. Three existing methods—sliced inverse regression, principal Hessian direction, and sliced average variance estimation—and one new method—difference of covariances—are studied for their ability to estimate the central subspace and produce sufficient summary plots. Combining these numerical methods with the graphical methods proposed earlier by Cook leads to a novel paradigm for the analysis of binary response regressions.