Diagnostic studies in sufficient dimension reduction
充分降维中的诊断方法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：摘要聚焦通用回归降维诊断，线性组合本身不足以判定为宏观或金融因子模型。
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
充分降维中的诊断方法
- 研究问题
- 将预测变量替换为线性组合后，如何诊断给定降维子空间是否保留了回归响应所需的信息并具有良好拟合？
- 方法与思路
- 作者扩展距离相关概念，衡量给定降维子空间后协变量与响应之间的条件依赖，并据此构造诊断方法。
- 材料陈述的贡献
- 摘要称方法所需假设通常比原有降维方法更弱，研究了检验统计量的渐近性质，并以数值实例展示效果。
- 阅读关注点
- 应核对条件依赖度量、零假设与充分降维的关系、子空间估计误差的处理，以及检验渐近理论所需条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最小假设的具体内容及检验功效未说明，不能推断刊本变化。
原文摘要
Sufficient dimension reduction in regression aims to reduce the predictor dimension by replacing the original predictors with some set of linear combinations of them without loss of information. Numerous dimension reduction methods have been developed based on this paradigm. However, little effort has been devoted to diagnostic studies within the context of dimension reduction. In this paper we introduce methods to check goodness-of-fit for a given dimension reduction subspace. The key idea is to extend the so-called distance correlation to measure the conditional dependence relationship between the covariates and the response given a reduction subspace. Our methods require minimal assumptions, which are usually much less restrictive than the conditions needed to justify the original methods. Asymptotic properties of the test statistic are studied. Numerical examples demonstrate the effectiveness of the proposed approach.