On the minimax robustness against correlation and heteroscedasticity of ordinary least squares among generalized least squares estimates of regression
普通最小二乘在广义最小二乘类中对相关性与异方差的极小极大稳健性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：摘要讨论通用回归估计与实验设计的稳健性，未明确对应所列领域细分。
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
普通最小二乘在广义最小二乘类中对相关性与异方差的极小极大稳健性
- 研究问题
- 在误差可能相关或异方差、回归函数也可能误设时，普通最小二乘何时能在广义最小二乘估计类中实现极小极大稳健性？
- 方法与思路
- 作者考察协方差矩阵函数在单位矩阵标量倍数处的极值，将其联系到损失函数，并联合研究估计程序与设计的稳健性。
- 材料陈述的贡献
- 摘要称在特定协方差类和单调损失下，正确设定模型中的普通最小二乘具有极小极大性，并讨论误设时的设计限制。
- 阅读关注点
- 应核对协方差集合、损失的单调性定义、模型误设下均匀设计的作用，以及邻近位置分组重复观测的设计结论。
- 阅读边界
- 所给Crossref摘要未列具体协方差类和损失条件，不能把结论理解为普通最小二乘对任意相关性或异方差均最优。
原文摘要
Summary We revisit a result according to which certain functions of covariance matrices are maximized at scalar multiples of the identity matrix. In a statistical context in which such functions measure loss, this says that the least favourable form of dependence is in fact independence, so that a procedure optimal for independent and identically distributed data can be minimax. In particular, the ordinary least squares estimate of a correctly specified regression response is minimax among generalized least squares estimates, when the maximum is taken over certain classes of error covariance structures and the loss function possesses a natural monotonicity property. In regression models whose response function is possibly misspecified, ordinary least squares is minimax if the design is uniform on its support, but this often fails otherwise. An investigation of the interplay between minimax generalized least squares procedures and minimax designs leads us to extend, to robustness against dependencies, an existing observation: that robustness against model misspecifications is increased by splitting replicates into clusters of observations at nearby locations.