고차원 데이터 분석에서 방향성 회귀(directional regression)는 복잡한 데이터 구조로부터 핵심 정보를 추출함으로써 선형 충분 차원 축소(linear sufficient dimension reduction)를 구현하는 데 널리 사용되는 방법이다. 그러나 충분 차원 축소 기법을 다변량 반응 데이터에 대응하도록 확장하는 일은 여전히 비교적 도전적인 과제로 남아 있다. 본 논문에서는 방향성 회귀와 투영 재표집(projective resampling) 프레임워크를 통합하여 다변량 반응 회귀 문제를 해결하는 새로운 방법을 제안한다. 본 방법은 투영 재표집 방향성 회귀(projective resampling directional regression)라고 하며, 차원 축소 부분공간(dimension reduction subspace)의 추정 정확도를 향상시킬 뿐만 아니라 다양한 데이터셋에 걸쳐 방향성 회귀의 활용 가능성을 더 크게 제공한다. 우리는 일관성(consistency)과 수렴률(convergence rates)을 포함하는 본 방법의 이론적 성질을 정립한다. 여러 시나리오에 대한 포괄적인 시뮬레이션 연구와 두 개의 실제 데이터셋에 대한 분석은 본 접근법의 효과성과 경쟁력을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.