A Theorem of Jacobi and its Generalization
Jacobi 定理及其推广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：摘要研究通用线性估计的代数表示，未提供所列计量细分的直接证据。
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
Jacobi 定理及其推广
- 研究问题
- 普通最小二乘估计可表示为若干基本参数估计的加权和，这种代数表示能否推广至广义最小二乘估计？
- 方法与思路
- 作者扩展 Jacobi 关于最小二乘估计加权分解的定理，将其用于广义最小二乘，并给出微波工程应用。
- 材料陈述的贡献
- 摘要明确陈述的贡献是广义最小二乘的加权分解推广及工程应用，未报告新的效率结论或统计推断方法。
- 阅读关注点
- 核对基本估计量与权重的定义、推广所需的矩阵条件，以及微波工程问题中该表示具体解决什么计算问题。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出分解公式、权重性质或成立条件，不能推断其统计效率优势。
原文摘要
A theorem of Jacobi (1841), which shows how the ordinary least-squares estimator from a linear regression can be represented as the weighted sum of ‘elementary’ estimators of the parameters, is extended to the generalized least-squares estimator. The generalization is applied to a problem in microwave engineering.