A Zero-One Result for the Least Squares Estimator
最小二乘估计量的零一律结果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：摘要是一般线性回归的概率收敛理论，强混合条件本身不足以确定所列具体领域。
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
最小二乘估计量的零一律结果
- 研究问题
- 在强混合的线性回归环境中，最小二乘估计量收敛到真实参数的概率是否只能为零或一，失败时又有哪些极限情形？
- 方法与思路
- 作者将独立随机变量的 Kolmogorov 零一律推广到强混合变量，并据此分析最小二乘估计量的收敛事件及其他极限行为。
- 材料陈述的贡献
- 摘要称，真实参数收敛事件满足零一律；失败时估计量几乎必然趋于错误点或发散，框架还允许回归变量数量随样本增长。
- 阅读关注点
- 应核对强混合和回归变量独立变动的具体要求、错误极限与发散的定义，以及维度增长时参数收敛如何表述。
- 阅读边界
- 仅据所给 Crossref 摘要解读；弱条件的精确定义未给出，对误差不另加条件仍依赖变量条件，不能泛化或推断刊本变化。
原文摘要
The least squares estimator for the linear regression model is shown to converge to the true parameter vector either with probability one or with probability zero. In the latter case, it either converges to a point not equal to the true parameter with probability one, or it diverges with probability one. These results are shown to hold under weak conditions on the dependent random variable and regressor variables. No additional conditions are placed on the errors. The dependent and regressor variables are assumed to be weakly dependent—in particular, to be strong mixing. The regressors may be fixed or random and must exhibit a certain degree of independent variability. No further assumptions are needed. The model considered allows the number of regressors to increase without bound as the sample size increases. The proof proceeds by extending Kolmogorov's 0-1 law for independent randomvariables to strong mixing random variables.