Sufficient Dimension Reduction via Inverse Regression
通过逆回归实现充分降维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：摘要研究一般充分降维与条件独立性，未明确对应所列领域细分。
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
通过逆回归实现充分降维
- 研究问题
- 如何从逆回归方法族中构造高效的充分降维估计，并对降维维数及给定其他变量后的条件独立性进行统计检验？
- 方法与思路
- 作者通过最小化二次目标函数构造逆回归方法族，提出其中的最优估计量，并配套推断方法和计算算法。
- 材料陈述的贡献
- 摘要称所提估计的中心降维子空间基具有渐近效率，维数与条件独立性检验具有卡方极限，并给出方法比较模拟。
- 阅读关注点
- 应核对中心降维子空间的可识别条件、效率比较范围与目标函数权重，检查维数检验、条件独立性检验及相关卡方结论的假设。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要。摘要未列明效率界、分布条件或模拟结果，条件独立性检验也不能直接解释为因果检验。
原文摘要
A family of dimension-reduction methods, the inverse regression (IR) family, is developed by minimizing a quadratic objective function. An optimal member of this family, the inverse regression estimator (IRE), is proposed, along with inference methods and a computational algorithm. The IRE has at least three desirable properties: (1) Its estimated basis of the central dimension reduction subspace is asymptotically efficient, (2) its test statistic for dimension has an asymptotic chi-squared distribution, and (3) it provides a chi-squared test of the conditional independence hypothesis that the response is independent of a selected subset of predictors given the remaining predictors. Current methods like sliced inverse regression belong to a suboptimal class of the IR family. Comparisons of these methods are reported through simulation studies. The approach developed here also allows a relatively straightforward derivation of the asymptotic null distribution of the test statistic for dimension used in sliced average variance estimation.