Minimax Adaptive Generalized Ridge Regression Estimators
极小极大自适应广义岭回归估计量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：摘要属于一般收缩估计与决策理论，风险指统计损失风险，没有金融风险或收益预测依据。
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
极小极大自适应广义岭回归估计量
- 研究问题
- 在线性模型中，如何根据数据选择广义岭回归的岭参数，使回归系数估计在一般二次损失下获得风险改进？
- 方法与思路
- 作者将问题归约为多元正态分布均值向量估计，构造数据驱动的广义岭估计量，并研究相应的极小极大估计结果。
- 材料陈述的贡献
- 摘要称，当回归变量至少三个时，所构造估计量在一般二次损失下的风险支配最小二乘，并给出相关极小极大结果。
- 阅读关注点
- 应核对数据驱动岭参数的构造、风险支配和极小极大性的具体条件，以及正态均值问题与原回归问题之间的对应。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未列出完整模型及损失条件，至少三个回归变量不能单独保证支配，也不能推断预测误差更低。
原文摘要
We consider the problem of estimating the vector of regression coefficients of a linear model using generalized ridge regression estimators where the ridge constant is chosen on the basis of the data. For general quadratic loss we produce such estimators whose risk function dominates that of the least squares procedure provided the number of regressors is at least three. We study the problem by the usual reduction to estimating the mean vector of a multivariate normal distribution. Our results on minimax estimation in this context are of independent interest.