利用层内协方差改进回归中心子空间的估计

@文章{Cook2006使用IC,title={使用片内协方差来改进回归中中心子空间的估计},author={R.Dennis Cook和Liqiang Ni},journal={Biometrika},年份={2006},体积={93},页数={65-74},网址={https://api.semanticscholar.org/CorpusID:19298881}}
片内协方差用于为中心子空间构造改进的推理方法,这些中心子空间在一类二次推理函数中是最优的,并允许对涉及预测因子的条件独立性假设进行二次方检验。

本文中的数字

通过k均值逆回归进行多元降维的最小差异方法*

我们提出了一种新的估计多元响应回归的簇内调整中心子空间的方法。继Setodji和Cook(2004)之后,我们使用了k-均值算法

无矩阵求逆回归中的降维

各种科学领域都会出现预测因子p的固定数量超过独立观测单位n的回归。足够的尺寸缩减提供了

非椭圆分布预报器的降维

本文通过“中心解空间”的概念,对常用的降维方法进行了重新构造,以避开此类强假设的要求,同时保留了经典方法的理想性质,如√n相合性和渐近正态性。

关于中心平均子空间的估计效率

我们在充分降维的框架下研究了中心均值子空间的估计效率。我们推导了半参数有效分数并研究了它的实用性

具有异方差的充分降维主分位数回归

提出了一种新的SDR方法,称为主分位数回归(PQR),该方法能够有效且有竞争力地解决异方差问题,并且可以通过核技巧自然地扩展到非线性版本。

纵向数据的充分降维

相关结构包含有关纵向数据的重要信息。假设独立性的现有充分降维方法可能会导致效率的大幅损失。我们

用于降维的分层回归

提出了一种新的降维方法,包括对响应区域进行切片并对每个切片应用局部核回归。与传统的逆回归方法相比

切片逆回归和有限样本分解点中数据污染的影响

本文正式研究了切片逆回归(SIR)中数据污染的影响,SIR是一种典型的降维过程,其目标是解释响应变量所需的一组回归变量的低维子空间。

切片回归中多重假设的检验

我们考虑对一般回归框架进行多重测试,目的是研究单变量响应和p维预测因子之间的关系。为了测试

回归中条件均值的降维

引入了中心均值子空间(CMS)的概念,该空间是均值函数感兴趣时用于降维的自然推理对象,并开发了估计该空间的方法。

测试预测器在充分降维中的作用

我们对回归中选定的预测因子无影响的假设进行了测试,没有假设给定预测因子的响应条件分布模型。预测器

基于逆回归的充分降维

通过最小化二次目标函数,发展了一类降维方法,即逆回归(IR)方法。这个家族的最佳成员,逆回归

扩展分段逆回归

切片逆回归(SIR)和相关的维数齐次检验被引入,作为降低预测变量为

用于降维的分段逆回归

一种新的数据分析工具,切片逆回归(SIR),用于减少输入变量x的维数,而无需经过任何参数或非参数模型设置过程。

回归中的变换与加权

导言。广义最小二乘与异方差分析。方差函数的估计和推断。转换双方方法。将转换与

回归图形:通过图形研究回归的思路

本文讨论了模型评估的三维散点图、图形回归和图形,以及反向回归研究中使用的一些技术。