Dimension reduction and predictor selection in semiparametric models
半参数模型中的降维与预测变量选择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与变量选择，未指向给定列表中的具体经济学细分领域。
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…
半参数模型中的降维与预测变量选择
- 研究问题
- 在预测变量数量较多且可能随样本量增长的半参数回归中，如何同时构造有效线性组合并筛选有贡献的变量？
- 方法与思路
- 作者结合切片逆回归与 Dantzig 选择器进行 ℓ1 最小化，再提出自适应 Dantzig 正则化以实现变量筛选。
- 材料陈述的贡献
- 摘要称建立非渐近误差界，自适应方法能以高概率选出全部贡献变量，并在维数发散时获得估计量的渐近正态性。
- 阅读关注点
- 应核对切片逆回归的模型条件、维数增长限制、信号强度要求，以及选出贡献变量是否同时意味着排除无关变量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差界形式、筛选条件和数值比较细节未提供，不能据此认定普遍优于现有方法。
原文摘要
Dimension reduction in semiparametric regressions includes construction of informative linear combinations and selection of contributing predictors. To reduce the predictor dimension in semiparametric regressions, we propose an ℓ1-minimization of sliced inverse regression with the Dantzig selector, and establish a non-asymptotic error bound for the resulting estimator. We also generalize the regularization concept to sliced inverse regression with an adaptive Dantzig selector. This ensures that all contributing predictors are selected with high probability, and that the resulting estimator is asymptotically normal even when the predictor dimension diverges to infinity. Numerical studies confirm our theoretical observations and demonstrate that our proposals are superior to existing estimators in terms of both dimension reduction and predictor selection.