Estimation of error variance via ridge regression
利用岭回归估计误差方差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：摘要研究通用回归误差方差估计，并非金融波动率模型，缺乏其他细分方向的明确依据。
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…
利用岭回归估计误差方差
- 研究问题
- 如何构造同时适用于低维和高维回归的误差方差估计量，并在稀疏与非稀疏系数结构下保持有效性？
- 方法与思路
- 作者结合岭回归与随机矩阵理论提出误差方差估计量，建立其渐近性质，并开展数值研究评估有限样本表现。
- 材料陈述的贡献
- 摘要称该估计量适用于低维、高维及稀疏、非稀疏模型，数值研究显示其在若干比较场景中具有潜力。
- 阅读关注点
- 应核对设计矩阵与误差分布条件、岭惩罚参数的选取，以及维度增长方式如何影响偏差、方差与渐近结论。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整适用条件和数值结果，其场景性比较不能解释为普遍优于其他方法。
原文摘要
Summary We propose a novel estimator of error variance and establish its asymptotic properties based on ridge regression and random matrix theory. The proposed estimator is valid under both low- and high-dimensional models, and performs well not only in nonsparse cases, but also in sparse ones. The finite-sample performance of the proposed method is assessed through an intensive numerical study, which indicates that the method is promising compared with its competitors in many interesting scenarios.