Comparison of Prediction Methods when Only a Few Components are Relevant
仅少数成分相关时的预测方法比较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：摘要比较一般多元回归预测方法，未涉及宏观预测、金融收益预测或经济因子模型的直接证据。
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
仅少数成分相关时的预测方法比较
- 研究问题
- 在解释变量也被视为随机的多元回归中，若只有少数成分与响应相关，不同预测方法的表现如何随无关成分的特征值变化？
- 方法与思路
- 作者建立渐近比较方法并分析四种预测方法，讨论主成分回归、偏最小二乘及一种最大似然型方法在不同成分结构下的表现。
- 材料陈述的贡献
- 摘要称各方法总体上不存在统一优势；主成分与偏最小二乘各有适用情形，而最大似然型方法至少在单个相关成分时渐近占优。
- 阅读关注点
- 应核对预测损失的定义、维度与样本量的渐近安排、成分相关性的设定，以及单相关成分下优势与总体无统一优势的边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；第四种方法、比较条件及有限样本证据未充分说明，不能据此推荐普遍最优方法。
原文摘要
We consider prediction in a multiple regression model where we also look on the explanatory variables as random. If the number of explanatory variables is large, then the common least squares multiple regression solution may not be the best one. We give a methodology for comparing certain alternative prediction methods by asymptotic calculations and perform such a comparisons for four specific methods. The results indicate that none of these methods dominates the others, and that the difference between the methods typically (but not always) is small when the number of observations is large. In particular, principal component regression does well when the eigenvalues corresponding to components not correlated with the dependent variables (i.e., the irrelevant eigenvalues) are extremely small or extremely large. Partial least squares regression does well for intermediate irrelevant eigenvalues. A maximum likelihood-type method dominates the others asymptotically, at least in the case of one relevant component.