Partial Factor Modeling: Predictor-Dependent Shrinkage for Linear Regression
部分因子建模：线性回归中依赖预测变量的收缩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：摘要中的因子模型服务于通用回归收缩，未提供宏观或金融因子应用的明确证据。
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…
部分因子建模：线性回归中依赖预测变量的收缩
- 研究问题
- 在线性回归中，如何根据预测变量的协方差结构实施收缩，并在预测变量高度相关时支持预测和变量选择？
- 方法与思路
- 作者修改高斯因子模型，用其诱导依赖预测变量的收缩机制，并通过不同协方差结构下的模拟和真实数据评估预测表现。
- 材料陈述的贡献
- 摘要称，新模型在多种协方差结构下具有良好预测表现，并有助于处理相关预测变量使其他方法难以进行变量选择的问题。
- 阅读关注点
- 应核对部分因子模型的具体构造、收缩如何依赖预测变量、变量选择规则，以及相关结构和比较方法在评估中的设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。摘要较简短，未说明模型公式、理论保证、应用领域或定量比较结果。
原文摘要
We develop a modified Gaussian factor model for the purpose of inducing predictor-dependent shrinkage for linear regression. The new model predicts well across a wide range of covariance structures, on real and simulated data. Furthermore, the new model facilitates variable selection in the case of correlated predictor variables, which often stymies other methods.