Improved Estimators for Coefficients in Linear Regression
线性回归系数的改进估计量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：摘要研究一般线性回归的风险改进，没有面板、因果或其他指定应用方向的明确证据。
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…
关注这篇论文的作者
线性回归系数的改进估计量
- 研究问题
- 在至少需要估计三个系数的线性回归中，能否按分量均方误差之和或加权和，构造优于普通最小二乘的点估计量？
- 方法与思路
- 作者先针对正交回归构造估计量，讨论其与预先显著性检验的联系，再将结果推广至非正交回归下的二次型损失。
- 材料陈述的贡献
- 摘要称获得了在指定均方误差标准下优于普通最小二乘的估计量，并说明其在分组、有序变量及非正交设计中的扩展。
- 阅读关注点
- 应核对误差分布、设计矩阵与损失权重的具体条件，区分风险改进结论的范围，以及预检验解释是否带来额外限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；估计量形式与支配条件未说明，不能据此声称对所有回归问题均更优。
原文摘要
Point estimators for the coefficients in orthogonal linear regression which are better than the ordinary least squares estimator are obtained when at least three coefficients are to be estimated. The measure of goodness of an estimator is the sum, or weighted sum, of the componentwise mean squared errors. Some of the new estimators have interpretations as estimators which depend upon preliminary tests of significance. These estimators may be especially appropriate when the independent variables fall into two sets or are ordered, as in polynomial regression or regression on principal components. The extension of the results to the general case of nonorthogonal regression is given; here the measure of goodness of an estimator is the mean of a quadratic form in the componentwise errors.