Maximum Likelihood and Least Squares Estimation in Linear and Affine Functional Models
线性与仿射函数模型中的最大似然及最小二乘估计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：摘要明确研究正态均值所在的几何子空间，没有因子结构、面板或其他所列经济计量方向的充分依据。
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
线性与仿射函数模型中的最大似然及最小二乘估计
- 研究问题
- 当多个正态总体的均值位于同一线性或仿射子空间，且共有协方差矩阵时，如何估计作为主要参数的子空间？
- 方法与思路
- 作者在每个总体仅观测一个向量并具有独立协方差估计的设定下，以主要为代数的方法推导最大似然及最小二乘估计。
- 材料陈述的贡献
- 摘要称，论文给出相对简洁的最大似然估计推导，并提供最小二乘估计的新推导，贡献集中于估计方法的表达与论证。
- 阅读关注点
- 应核对子空间维数、协方差估计的性质、估计解的存在与唯一性，以及线性模型和仿射模型的推导差别。
- 阅读边界
- 依据稿件版本未注明的OpenAlex索引摘要；摘要未提供估计公式或统计性质，也不能将此处函数模型理解为曲线数据模型。
原文摘要
In a linear (or affine) functional model the principal parameter is a subspace (respectively an affine subspace) in a finite dimensional inner product space, which contains the means of $n$ multivariate normal populations, all having the same covariance matrix. A relatively simple, essentially algebraic derivation of the maximum likelihood estimates is given, when these estimates are based on single observed vectors from each of the $n$ populations and an independent estimate of the common covariance matrix. A new derivation of least squares estimates is also given.