Semi-Supervised Linear Regression
半监督线性回归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：摘要研究一般半监督回归与线性近似效率，未明确涉及因果效应、面板或收益预测等所列方向，故不作细分归类。
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…
半监督线性回归
- 研究问题
- 当部分观测只有预测变量而没有响应变量，且条件均值并非严格线性时，如何利用未标记数据改进最佳线性近似的估计？
- 方法与思路
- 作者针对条件均值的最佳线性近似，提出同时使用标记与未标记数据的估计方法，并分析渐近性质、小样本表现及实际应用。
- 材料陈述的贡献
- 摘要称在某种条件均值非线性条件下，新估计量渐近优于通常方法；否则渐近等价，并以无家可归人口推断展示方法。
- 阅读关注点
- 应核对标记与未标记样本的分布关系、最佳线性近似的目标定义，以及非线性条件、效率比较准则和未标记样本量的作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明非线性条件及样本获取机制，渐近优势不能直接推广为任意小样本优势。
原文摘要
We study a regression problem where for some part of the data we observe both the label variable (Y) and the predictors (X), while for other part of the data only the predictors are given. Such a problem arises, for example, when observations of the label variable are costly and may require a skilled human agent. When the conditional expectation E[Y|X] is not exactly linear, one can consider the best linear approximation to the conditional expectation, which can be estimated consistently by the least-square estimates (LSE). The latter depends only on the labeled data. We suggest improved alternative estimates to the LSE that use also the unlabeled data. Our estimation method can be easily implemented and has simply described asymptotic properties. The new estimates asymptotically dominate the usual standard procedures under certain non-linearity condition of E[Y|X]; otherwise, they are asymptotically equivalent. The performance of the new estimator for small sample size is investigated in an extensive simulation study. A real data example of inferring homeless population is used to illustrate the new methodology.