On surrogate dimension reduction for measurement error regression: An invariance law
测量误差回归中的替代变量降维：不变性规律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：摘要聚焦通用测量误差回归与降维理论，未明确对应所列因果、结构或分布效应方向。
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
测量误差回归中的替代变量降维：不变性规律
- 研究问题
- 当非线性回归的真实预测变量不可观测且含有测量误差时，替代变量回归的降维空间能否恢复原回归的降维信息？
- 方法与思路
- 作者建立替代变量与真实变量降维空间之间的不变性规律，区分正态预测变量下的精确等价与其他预测变量下的近似等价。
- 材料陈述的贡献
- 摘要称总体层面可将既有降维方法用于测量误差回归，并刻画替代变量降维估计量的收敛速率，提供模拟和真实数据比较。
- 阅读关注点
- 应核对替代变量的构造、测量误差模型的限制、总体空间等价的条件，以及非正态情况下近似等价的含义和误差大小。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体误差条件和近似机制未说明，不能把总体等价解释为任意样本下无损恢复。
原文摘要
We consider a general nonlinear regression problem where the predictors contain measurement error. It has been recently discovered that several well-known dimension reduction methods, such as OLS, SIR and pHd, can be performed on the surrogate regression problem to produce consistent estimates for the original regression problem involving the unobserved true predictor. In this paper we establish a general invariance law between the surrogate and the original dimension reduction spaces, which implies that, at least at the population level, the two dimension reduction problems are in fact equivalent. Consequently we can apply all existing dimension reduction methods to measurement error regression problems. The equivalence holds exactly for multivariate normal predictors, and approximately for arbitrary predictors. We also characterize the rate of convergence for the surrogate dimension reduction estimators. Finally, we apply several dimension reduction methods to real and simulated data sets involving measurement error to compare their performances.