Iterative Weighted Least Squares Estimators
迭代加权最小二乘估计量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：摘要讨论一般异方差回归和迭代估计，组内残差本身不足以认定为面板数据研究。
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
迭代加权最小二乘估计量
- 研究问题
- 异方差线性模型中，利用上一轮拟合的组内残差更新权重时，估计量具有何种渐近性质，又如何决定停止迭代？
- 方法与思路
- 作者分析由上一轮组内残差构造权重的迭代加权最小二乘估计，并提出保证有限次停止的自适应迭代程序。
- 材料陈述的贡献
- 摘要称建立了迭代估计量的渐近正态性，且自适应估计与该迭代程序可获得的最佳估计渐近等价，并提供性能分析。
- 阅读关注点
- 应核对分组结构、权重估计与渐近正态性所需条件，停止规则的定义，以及“最佳估计”在迭代程序内的比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明渐近框架或数值结果，最佳性表述限于所讨论的迭代程序。
原文摘要
In a heteroscedastic linear model, we establish the asymptotic normality of the iterative weighted least squares estimators with weights constructed by using the within-group residuals obtained from the previous model fitting. An adaptive procedure is proposed which ensures that the iterative process stops after a finite number of iterations and produces an estimator asymptotically equivalent to the best estimator that can be obtained by using the iterative procedure. Theoretical and empirical results of the performance of the adaptive estimator are presented.