Approximating conditional distribution functions using dimension reduction
利用降维近似条件分布函数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：摘要直接研究条件分布函数近似，并明确以预测和时间序列预测应用为动机。
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
利用降维近似条件分布函数
- 研究问题
- 面对多维预测变量时，如何以一维线性投影近似响应变量的条件分布，并控制投影方向估计对分布估计的影响？
- 方法与思路
- 作者在最小二乘准则下选择单位投影方向，再估计给定该投影的条件分布函数，并分析方向估计及分布估计的渐近性质。
- 材料陈述的贡献
- 摘要称投影方向可按根号样本量速率一致估计，条件分布估计具有方向已知时的一阶渐近性质，并展示独立和时间序列数据例子。
- 阅读关注点
- 应核对最小二乘近似目标、投影方向的识别与正则条件，以及时间序列依赖条件和一阶性质是否涵盖分布近似误差。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体平滑条件和依赖限制未说明，一阶等价也不表示投影保留全部条件分布信息。
原文摘要
Motivated by applications to prediction and forecasting, we suggest methods for approximating the conditional distribution function of a random variable Y given a dependent random d-vector X. The idea is to estimate not the distribution of Y|X, but that of Y|θTX, where the unit vector θ is selected so that the approximation is optimal under a least-squares criterion. We show that θ may be estimated root-n consistently. Furthermore, estimation of the conditional distribution function of Y, given θTX, has the same first-order asymptotic properties that it would enjoy if θ were known. The proposed method is illustrated using both simulated and real-data examples, showing its effectiveness for both independent datasets and data from time series. Numerical work corroborates the theoretical result that θ can be estimated particularly accurately.