Asymptotics for kernel estimate of sliced inverse regression
切片逆回归核估计的渐近性质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：摘要研究一般非参数回归降维，未明确涉及宏观或金融因子模型等所列方向。
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
切片逆回归核估计的渐近性质
- 研究问题
- 在多元非参数回归中估计有效降维方向时，切片逆回归的核估计具有怎样的渐近性质，核函数与平滑参数如何影响它？
- 方法与思路
- 作者围绕切片逆回归的核估计开展渐近分析，以考察高维数据中的非线性结构探索与有效降维方向估计。
- 材料陈述的贡献
- 摘要称，在较广的平滑参数范围内，渐近分布不随核函数选择而改变；但没有列出该范围或具体极限分布。
- 阅读关注点
- 应核对降维方向的定义与可识别条件、核估计构造、平滑参数范围，以及渐近分布不变结论所需的正则条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供带宽范围与假设，渐近分布相同也不能推出有限样本表现相同。
原文摘要
To explore nonlinear structures hidden in high-dimensional data and to estimate the effective dimension reduction directions in multivariate nonparametric regression, Li and Duan proposed the sliced inverse regression (SIR) method which is simple to use. In this paper, the asymptotic properties of the kernel estimate of sliced inverse regression are investigated. It turns out that regardless of the kernel function, the asymptotic distribution remains the same for a wide range of smoothing parameters.