A Semiparametric Approach to Dimension Reduction
降维问题的半参数方法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：摘要讨论通用半参数降维理论，未指向特定宏观、微观或金融细分。
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
降维问题的半参数方法
- 研究问题
- 如何将降维纳入半参数估计框架，并在逆回归中放松对协变量线性性或恒定方差的常用假设而保留估计结构？
- 方法与思路
- 作者通过半参数框架推导估计方程，构造一类包含经典降维技术的估计量，并以额外非参数回归放松常用假设。
- 材料陈述的贡献
- 摘要称该视角统一生成多种估计量，揭示放松协变量假设的实现途径，并用模拟和真实数据例子展示方法。
- 阅读关注点
- 应核对降维目标与参数化方式、经典方法如何成为特例，以及新增非参数回归的条件、误差和计算负担。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；放松部分假设不等于无需其他条件，摘要未提供完整理论或应用结果。
原文摘要
We provide a novel and completely different approach to dimension-reduction problems from the existing literature. We cast the dimension-reduction problem in a semiparametric estimation framework and derive estimating equations. Viewing this problem from the new angle allows us to derive a rich class of estimators, and obtain the classical dimension reduction techniques as special cases in this class. The semiparametric approach also reveals that in the inverse regression context while keeping the estimation structure intact, the common assumption of linearity and/or constant variance on the covariates can be removed at the cost of performing additional nonparametric regression. The semiparametric estimators without these common assumptions are illustrated through simulation studies and a real data example. This article has online supplementary material.