On Least Squares with Insufficient Observations
观测不足时的最小二乘法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：摘要是一般线性估计与矩阵理论，未提供面板、结构估计或其他所列领域的直接依据。
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
观测不足时的最小二乘法
- 研究问题
- 当多重共线性或观测不足限制回归系数的估计时，如何区分可估性与可识别性，并评价线性限制和替代估计准则？
- 方法与思路
- 作者借助广义逆分析可估性与限制条件，建立最佳线性最小偏差准则，并提出最小均方误差估计及其最小二乘特例。
- 材料陈述的贡献
- 摘要称，文中建立若干估计准则的等价关系，分析错误限制的偏差与方差联系，并给出广义逆存在唯一性的证明。
- 阅读关注点
- 应核对广义逆的具体定义、可估与不可估限制的区分、条件无偏的含义，以及最小均方误差退化为最小二乘的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；矩阵定义、定理条件和先验设定未展开，不能判断这些结论对任意广义逆是否成立。
原文摘要
The optimality of the method of least squares is reconsidered when multicollinearity is present. An analysis is presented of the relationship between estimability and identifiability. The criterion of best linear minimum bias is developed, and shown to be equivalent to that of best linear conditionally unbiased estimation subject to complementary (non-estimable) linear restrictions. Imposition of erroneous estimable linear restrictions is shown to lower variances of estimators if and only if it biases them. All these results rely heavily on the use of the generalized inverse of a matrix, for which a new proof of existence and uniqueness is presented from the viewpoint of duality in linear spaces. Finally, estimation by minimum mean square error is proposed, and this is shown to reduce to the least squares method when either (a) regression coefficients have infinite prior variances, or (b) least squares estimators have small sampling variances.