Continuum Regression: Cross-Validated Sequentially Constructed Prediction Embracing Ordinary Least Squares, Partial Least Squares and Principal Components Regression
连续谱回归：以交叉验证统一最小二乘、偏最小二乘与主成分回归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：摘要讨论一般回归变量构造与预测，未涉及宏观预测、收益预测或其他所列专门领域。
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
连续谱回归：以交叉验证统一最小二乘、偏最小二乘与主成分回归
- 研究问题
- 如何依次构造用于多元最小二乘回归的回归变量，并在普通最小二乘、偏最小二乘与主成分回归之间选择方法？
- 方法与思路
- 作者采用序贯构造程序和特定目标准则，以连续参数控制构造方式，以另一参数控制变量数量，再通过交叉验证选择。
- 材料陈述的贡献
- 摘要称普通最小二乘与主成分回归位于同一连续谱的两端，偏最小二乘居于其中，并用多个应用例子展示方法。
- 阅读关注点
- 应核对构造准则如何连接三类方法、参数端点的对应关系，以及交叉验证的实施方式和例子中的比较标准。
- 阅读边界
- 仅据所给 Crossref 摘要解读；摘要未说明预测改进幅度、适用数据结构或理论风险保证，不能据此认定普遍优越。
原文摘要
SUMMARY The paper addresses the evergreen problem of construction of regressors for use in least squares multiple regression. In the context of a general sequential procedure for doing this, it is shown that, with a particular objective criterion for the construction, the procedures of ordinary least squares and principal components regression occupy the opposite ends of a continuous spectrum, with partial least squares lying in between. There are two adjustable ‘parameters’ controlling the procedure: ‘alpha’, in the continuum [0, 1], and ‘omega’, the number of regressors finally accepted. These control parameters are chosen by cross-validation. The method is illustrated by a range of examples of its application.