A Comparison between Maximum Likelihood and Generalized Least Squares in a Heteroscedastic Linear Model
异方差线性模型中最大似然与广义最小二乘的比较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：摘要讨论通用异方差回归中的估计敏感性，误差方差的出现不足以支持金融波动率等应用方向分类。
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
异方差线性模型中最大似然与广义最小二乘的比较
- 研究问题
- 当正态线性模型的误差方差与回归参数存在函数关系时，最大似然和广义最小二乘对该关系的小幅设定错误如何反应？
- 方法与思路
- 作者在正态异方差线性模型中比较两种参数估计方法，重点分析误差方差与回归参数之间函数关系的轻微误设。
- 材料陈述的贡献
- 摘要称，在所考察的方差函数误设问题中，最大似然比广义最小二乘更敏感，提供了选择估计方法时的稳健性比较。
- 阅读关注点
- 应核对方差函数、误设扰动的定义、敏感性的衡量标准，以及这一比较所用条件和对实际估计误差的含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；敏感性标准和模型条件未说明，不能据此认定广义最小二乘在所有维度上更好。
原文摘要
We consider a linear model with normally distributed but heteroscedastic errors. When the error variances are functionally related to the regression parameter, one can use either maximum likelihood or generalized least squares to estimate the regression parameter. We show that likelihood is more sensitive to small misspecifications in the functional relationship between the error variances and the regression parameter.