Regression Diagnostics for General Linear Regression Models
一般线性回归模型的回归诊断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：主体是一般线性回归诊断，自相关误差仅为应用示例，不足以限定为时间序列研究。
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
一般线性回归模型的回归诊断
- 研究问题
- 在线性回归允许一般误差协方差结构时，系数估计对权重矩阵的局部变化有多敏感，如何据此进行回归诊断？
- 方法与思路
- 作者以广义最小二乘估计量对权重矩阵变化的矩阵导数定义局部敏感性，并扩展已有普通最小二乘导数公式。
- 材料陈述的贡献
- 摘要称，论文给出适用于一般误差结构的敏感性结果，并通过含自相关误差的回归例子展示其诊断用途。
- 阅读关注点
- 应核对允许的权重矩阵扰动、导数的解释方式，以及误差协方差需要估计时如何使用这些局部诊断结果。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；局部结果的适用条件和诊断阈值未说明，不能据此判断较大扰动的影响。
原文摘要
For the linear regression model y = Xβ + ε the local sensitivities of estimates for β are investigated with respect to a general error structure for the residuals ε. In particular, we define local sensitivity analysis as matrix derivatives of the general least squares (GLS) estimator with respect to changes in the weight matrix ∑-1, where ∑ = var(ε). The results are extensions of derivative formulas given in Belsley, Kuh, and Welsch (1980) for ordinary least squares (OLS) regressions. An example is given showing how the new derivatives can be used for regression diagnostics in regression models with autocorrelated errors.