Sparse Sliced Inverse Regression via Lasso
基于 Lasso 的稀疏切片逆回归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：摘要讨论高维多指标模型的通用降维方法，没有经济结构估计或其他所列细分领域的明确应用依据。
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…
关注这篇论文的作者
基于 Lasso 的稀疏切片逆回归
- 研究问题
- 在维度与样本量同阶或更高的多指标模型中，如何利用稀疏性克服传统切片逆回归的限制，一致估计充分降维空间？
- 方法与思路
- 作者利用估计条件协方差矩阵的主要特征向量构造人工响应变量，再通过 Lasso 回归估计充分降维空间，形成 Lasso-SIR 算法。
- 材料陈述的贡献
- 摘要称，算法在特定稀疏性与维度增长条件下具有一致性和最优收敛速率，并在数值研究及真实数据例子中优于比较方法。
- 阅读关注点
- 应核对稀疏性、信噪比和维度增长条件，降维空间的误差度量，以及模拟中的比较对象、调参方式和真实数据评价准则。
- 阅读边界
- 依据 PMC 作者稿摘要，不能推断刊本改动；具体条件与数值结果未完整提供，摘要所称性能优势不能外推到其他设计。
原文摘要
For multiple index models, it has recently been shown that the sliced inverse regression (SIR) is consistent for estimating the sufficient dimension reduction (SDR) space if and only if $ρ = \mathrm{lim} \frac{p}{n} = 0$, where p is the dimension and n is the sample size. Thus, when p is of the same or a higher order of n, additional assumptions such as sparsity must be imposed in order to ensure consistency for SIR. By constructing artificial response variables made up from top eigenvectors of the estimated conditional covariance matrix, we introduce a simple Lasso regression method to obtain an estimate of the SDR space. The resulting algorithm, Lasso-SIR, is shown to be consistent and achieve the optimal convergence rate under certain sparsity conditions when p is of order o(n^{2}λ^{2}), where λ is the generalized signal-to-noise ratio. We also demonstrate the superior performance of Lasso-SIR compared with existing approaches via extensive numerical studies and several real data examples.