Dimension Reduction and Coefficient Estimation in Multivariate Linear Regression
多元线性回归中的降维与系数估计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：虽提及金融计量应用和非参数因子扩展，但未说明具体金融任务或因子的经济领域归属。
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…
多元线性回归中的降维与系数估计
- 研究问题
- 如何在多元线性模型中同时完成降维与系数估计，并通过更灵活的统一框架处理既有方法的限制和调参问题？
- 方法与思路
- 作者以系数矩阵的Ky Fan范数构造惩罚最小二乘，促使奇异值稀疏并收缩系数，再用广义交叉验证类准则调参。
- 材料陈述的贡献
- 摘要称，新方法更灵活；模拟与金融计量应用显示竞争性表现，并讨论向非参数因子模型的扩展。
- 阅读关注点
- 核对Ky Fan范数的具体定义、奇异值稀疏与降维的关系、调参准则，以及金融应用和因子扩展的实际设定。
- 阅读边界
- 仅据Crossref摘要；金融应用的任务、比较结果和因子扩展细节未说明，不能据此判断资产定价或收益预测表现。
原文摘要
Summary We introduce a general formulation for dimension reduction and coefficient estimation in the multivariate linear model. We argue that many of the existing methods that are commonly used in practice can be formulated in this framework and have various restrictions. We continue to propose a new method that is more flexible and more generally applicable. The method proposed can be formulated as a novel penalized least squares estimate. The penalty that we employ is the coefficient matrix's Ky Fan norm. Such a penalty encourages the sparsity among singular values and at the same time gives shrinkage coefficient estimates and thus conducts dimension reduction and coefficient estimation simultaneously in the multivariate linear model. We also propose a generalized cross-validation type of criterion for the selection of the tuning parameter in the penalized least squares. Simulations and an application in financial econometrics demonstrate competitive performance of the new method. An extension to the non-parametric factor model is also discussed.