Sparse Sliced Inverse Regression via Lasso

For multiple index models, it has recently been shown that the sliced inverse regression (SIR) is consistent for estimating the sufficient dimension reduction (SDR) space if and only if , where p is the dimension and n is the sample size. Thus, when p is of the same or a higher order of n, additiona...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of the American Statistical Association Ročník 114; číslo 528; s. 1726 - 1739
Hlavní autoři:	Lin, Qian, Zhao, Zhigen, Liu, Jun S.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United States Taylor & Francis 02.10.2019 Taylor & Francis Group, LLC Taylor & Francis Ltd
Témata:	Algorithms Analysis of covariance Convergence Covariance matrix Dimension reduction Eigenvectors High dimensional statistics Minimax Noise Regression Regression analysis sample size Signal to noise ratio Sparsity Statistical methods Statistics Theory and Methods Theory of large deviation variance covariance matrix
ISSN:	0162-1459, 1537-274X, 1537-274X
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!