Estimation of Low Rank High-Dimensional Multivariate Linear Models for Multi-Response Data
面向多响应数据的低秩高维多元线性模型估计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：摘要研究通用高维多响应回归及环境预测，未明确涉及所列经济学领域中的具体问题，因此暂不分类。
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…
关注这篇论文的作者
面向多响应数据的低秩高维多元线性模型估计
- 研究问题
- 在高维多响应数据中，如何估计低秩多元线性模型，并兼顾理论性质、有限样本表现及实际预测能力？
- 方法与思路
- 作者提出一种低秩模型估计方法及实现算法，研究其渐近性质，并通过模拟和环境数据中的颗粒物浓度预测进行比较。
- 材料陈述的贡献
- 摘要称建立了估计程序的渐近性质，且在所考察的模拟情形和环境数据预测中，提出的估计量优于所比较的方法。
- 阅读关注点
- 阅读全文时应核对低秩结构与维度增长条件、算法实现及收敛要求，以及比较方法的调参方式和预测评估设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；具体估计形式、理论条件和预测改善幅度均未说明。
原文摘要
In this article, we study low rank high-dimensional multivariate linear models (LRMLM) for high-dimensional multi-response data. We propose an intuitively appealing estimation approach and develop an algorithm for implementation purposes. Asymptotic properties are established to justify the estimation procedure theoretically. Intensive simulation studies are also conducted to demonstrate performance when the sample size is finite, and a comparison is made with some popular methods from the literature. The results show the proposed estimator outperforms all of the alternative methods under various circumstances. Finally, using our suggested estimation procedure we apply the LRMLM to analyze an environmental dataset and predict concentrations of PM2.5 at the locations concerned. The results illustrate how the proposed method provides more accurate predictions than the alternative approaches.