Estimates of Regression Coefficients Based on Lift Rank Covariance Matrix
基于提升秩协方差矩阵的回归系数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用稳健多元回归估计，未明确落入所列应用或模型细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于提升秩协方差矩阵的回归系数估计
- 研究问题
- 对于多响应、多解释变量的回归模型，如何利用多元秩构造等变估计，并比较其在正态与重尾分布下的表现？
- 方法与思路
- 作者基于 Oja 准则构造提升秩与协方差矩阵，将新回归估计及最小二乘估计表示为基本估计量的加权和。
- 材料陈述的贡献
- 摘要称，新估计具有等变性、收敛性及渐近多元正态性，在正态情形效率较高，在所考察重尾情形优于最小二乘。
- 阅读关注点
- 核对秩构造、等变变换范围及渐近条件，并查看重尾比较的误差准则、协方差估计和计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明效率数值及重尾分布范围，不能据此认定其普遍优于最小二乘。
原文摘要
We introduce a new equivariant estimation method of the parameters of the multivariate regression model with q responses and p regressors. The estimate matrix is derived from the lift rank covariance matrix (LRCM) where the lift rank vectors are based on the Oja criterion function. The k = p + q variate ranks and k + 1 variate lift ranks are constructed using hyperplanes (or fits) going through k observations. The new LRCM regression estimate and the least squares (LS) estimate are shown to be weighted sums of the elemental estimates based on these hyperplanes. The LRCM regression estimate is equivariant and convergent, has a limiting multinormal distribution, and is highly efficient in the multivariate normal case. For heavy-tailed distributions, it performs better than the standard LS estimate. Estimation of the variance-covariance matrix of the LRCM estimate is briefly discussed. The theory is illustrated by simulations and a real data example.