Is this the least squares estimate?
这真的是最小二乘估计吗？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：摘要关注一般非线性回归最小二乘的优化与几何性质，未明确涉及经济结构模型，故不足以归入结构估计。
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
这真的是最小二乘估计吗？
- 研究问题
- 在本质非线性且具有无限尾部的回归中，平方和可能有多个局部极小值，如何判断计算所得解是否为全局最小二乘解？
- 方法与思路
- 作者引入平方和的局部凸性水平，推导其与回归期望曲面完整曲率的关系，并提出两个全局判据，以四类模型说明。
- 材料陈述的贡献
- 摘要称，多重局部极小值可具有正概率；文章给出局部凸性水平的一般公式和两个全局判据，并报告其在真实数据中的表现。
- 阅读关注点
- 应核对无限尾部条件的含义、完整曲率与局部凸性水平的定义，以及全局判据是充分还是必要条件和实际计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未提供判据公式、具体数据或误判表现，不能推断任意优化器都能据此找到全局解。
原文摘要
It is shown that the sum of squares can have several local minima with a positive probability for any intrinsically nonlinear regression with infinite tails. Therefore, the availability of global criteria is crucial. The concept of the local convexity level for the sum of squares in nonlinear regression models is introduced. A general formula for this local convexity level is derived and it is shown that the local convexity level is equal to the minimum of the squared radius of the full curvature of the expectation surface of the nonlinear regression. Two general global criteria are formulated. The ideas are illustrated by four types of nonlinear model, namely polylinear, power, linear M-regression and exponential regression models. The suggested global criteria are shown to work well for real-life data.