A Simulation Study of Alternatives to Ordinary Least Squares
普通最小二乘替代方法的模拟研究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：摘要比较一般线性回归的收缩估计与变量选择，未指定收益预测、宏观预测或其他所列细分，故不强行归类。
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…
普通最小二乘替代方法的模拟研究
- 研究问题
- 在共线性、总体信号强弱及真实系数重要性不同的线性模型中，将回归系数向零收缩能否降低系数估计误差？
- 方法与思路
- 作者按析因设计构造一百六十个正态线性模型及人工数据集，比较普通多元回归与五十六种不同程度的系数收缩方法。
- 材料陈述的贡献
- 摘要称，在存在共线性、非中心性较小及部分真实系数较小时出现明显改善，并突出岭回归与贝叶斯变量选择扩展。
- 阅读关注点
- 应核对析因因素、误差评价及收缩参数选择方式，查看各方法在不同系数结构下的表现，以及模拟重复与不确定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体设计、调参和结果数值未提供，所述改善仅能理解为报告情景中的比较。
原文摘要
Estimated regression coefficients and errors in these estimates are computed for 160 artificial data sets drawn from 160 normal linear models structured according to factorial designs. Ordinary multiple regression (OREG) is compared with 56 alternatives which pull some or all estimated regression coefficients some or all the way to zero. Substantial improvements over OREG are exhibited when collinearity effects are present, noncentrality in the original model is small, and selected true regression coefficients are small. Ridge regression emerges as an important tool, while a Bayesian extension of variable selection proves valuable when the true regression coefficients vary widely in importance.