Least Squares Estimation When the Covariance Matrix and Parameter Vector are Functionally Related
协方差矩阵与参数向量存在函数关系时的最小二乘估计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：摘要研究一般线性回归中的参数化异方差估计，没有金融波动率或其他所列细分的直接证据。
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…
关注这篇论文的作者
协方差矩阵与参数向量存在函数关系时的最小二乘估计
- 研究问题
- 在线性回归中，误差方差由解释变量和未知参数决定，且方差参数可包含回归系数时，应如何联合估计这些参数？
- 方法与思路
- 作者在未知对角协方差矩阵的设定下构造加权联合最小二乘估计，并分析它与普通最小二乘估计的渐近性质。
- 材料陈述的贡献
- 摘要称，加权联合最小二乘估计与极大似然估计渐近等价，并通过抽样实验比较相关估计量的表现。
- 阅读关注点
- 应核对方差函数的设定、联合估计的实施方式、渐近等价需要的条件，以及抽样实验采用的比较指标。
- 阅读边界
- 所据为稿件版本未注明的索引摘要，不能推断刊本变化。摘要未说明误差分布、正则条件或有限样本比较结果。
原文摘要
Estimation for the linear model y = Xβ + e with unknown diagonal covariance matrix G is considered. The diagonal elements of G are assumed to be known functions of the explanatory variables X and an unknown parameter vector Θ, where Θ is permitted to contain elements of β. A weighted joint least squares estimator is developed that is asymptotically equivalent to the maximum likelihood estimator. Asymptotic properties of the simple least squares estimator and of the weighted joint least squares estimator are obtained. A sampling experiment is used to compare the estimators.