Principal component estimation for generalized linear regression
广义线性回归的主成分估计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：主成分用于一般广义线性回归参数估计，摘要没有宏观或金融因子模型的证据。
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
广义线性回归的主成分估计
- 研究问题
- 广义线性回归采用连续解释变量建模指数族响应时，如何在信息矩阵病态的情况下构造最大似然之外的参数估计方案？
- 方法与思路
- 作者开发具有渐近偏差的迭代式和一步式主成分估计，比较二者，并量化偏差、方差及均方误差，讨论成分删除规则。
- 材料陈述的贡献
- 摘要提出两类主成分参数估计及其风险分析，并以泊松响应数据说明用途；摘要称其在信息矩阵病态时可能特别有用。
- 阅读关注点
- 应核对主成分构造与删除规则、渐近偏差的来源、迭代式和一步式的关系，以及与最大似然比较时的风险权衡条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断何时降低均方误差或如何选取成分；泊松示例不构成普遍优势证据。
原文摘要
The generalized linear model (Nelder & Wedderburn, 1972) has become an elegant and practical option to classical least-squares linear model building. We consider the specific problem of generalized linear regression utilizing a set of continuous explanatory variables to model an exponential family response. It is the objective of this paper to develop and present an asymptotically biased principal component parameter estimation technique, as an option to traditional maximum likelihood estimation for generalized linear regression. Both iterative and one-step principal component estimators are developed, directly compared, and can be particularly useful with the presence of an ill-conditioned information matrix. The bias, variance and mean squared error of principal component estimation will be quantified. Generalizations for rules of deletion of components will be examined. Lastly, an example employs principal component estimation for Poisson response data.