论文部分内容阅读
在回归分析中，本文利用轮廓投影(contour projection，CP)的方法发展出一套全新的基于逆回归(inverse regression)的数据降维方法。与此相对应，本文提出了中心轮廓空间(central contour subspace，CCS)和广义轮廓空间(generalizedcontour subspace，GCS)的概念。本文证明了这两种空间的结构维度(structuredimension)不会大于传统的中心空间(central subspace，Cook，1998)的维度。进一步的，本文采用基于轮廓投影的切片逆回归(CP-sliced inverse regression，CP-SIR)，基于轮廓投影的平均方差估计方法(CP-sliced average variance estimation，CP-SAVE)，和基于轮廓投影的方向回归(CP-directional regression，CP-DR)这三种方法来估计广义轮廓空间。除此之外，在本文中还详细探讨了这三种方法的总体理论性质，以及有限样本估计量的性质。另外，本文还提出一个简单而又实用的最小特征值比例(maximal eigenvalue ratio criterion，MERC)的方法来估计广义轮廓空间的结构维度。大量的蒙特卡罗模拟结果表明，当解释性变量中存在肥尾(heary tail)特征时，这三种基于轮廓投影的数据降维方法表现优于对应的非轮廓投影的降维方法；而当解释性变量中不存在肥尾特征时，两类方法的表现相当。最后，本文用一个来自于中国金融市场的实际数据验证了基于轮廓投影的数据降维方法的有效性。