La reducción suficiente de dimensiones (SDR) es una herramienta útil para la regresión no paramétrica con predictores de alta dimensionalidad. Muchos métodos de SDR existentes se basan en algunas suposiciones sobre la distribución de los predictores. Wang et al. propusieron un método de reducción de dimensiones agregadas para reducir la dependencia de las suposiciones de distribución. Motivados por su trabajo, proponemos un método novedoso y efectivo al combinar el método agregado y la estimación de la regresión inversa del núcleo. El enfoque propuesto puede estimar con precisión las direcciones de reducción de dimensiones y mejorar sustancialmente la exhaustividad de las estimaciones con modelos complejos. Al mismo tiempo, este método no depende del arreglo de las secciones, y se reduce la influencia de los valores extremos de la respuesta. En ejemplos numéricos y una aplicación de datos reales, funciona bien.