Prediction Risk and Estimation Risk of the Ridgeless Least Squares Estimator under General Assumptions on Regression Errors
一般回归误差假设下无岭最小二乘估计量的预测与估计风险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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确允许序列和聚类依赖，并讨论方法向时间序列及面板数据的延伸。
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
一般回归误差假设下无岭最小二乘估计量的预测与估计风险
- 研究问题
- 当回归误差存在聚类或序列依赖时，最小范数插值最小二乘的预测与估计风险如何变化，过参数化收益能否延续？
- 方法与思路
- 作者放宽独立同分布、零均值和共同方差等传统误差设定，研究两类风险，并用误差协方差矩阵的迹概括方差部分的难度。
- 材料陈述的贡献
- 摘要称两类风险的方差成分可由误差协方差矩阵的迹总结，并指出过参数化的潜在收益可延伸至时间序列、面板和分组数据。
- 阅读关注点
- 应核对设计矩阵与误差关系、一般误差条件、风险分解和协方差迹的作用，以及过参数化有益所需的维度与谱条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出完整风险公式和成立条件，不能推断任意依赖误差下过参数化均有益。
原文摘要
In recent years, there has been a significant growth in research focusing on minimum $\ell_2$ norm (ridgeless) interpolation least squares estimators. However, the majority of these analyses have been limited to an unrealistic regression error structure, assuming independent and identically distributed errors with zero mean and common variance. In this paper, we explore prediction risk as well as estimation risk under more general regression error assumptions, highlighting the benefits of overparameterization in a more realistic setting that allows for clustered or serial dependence. Notably, we establish that the estimation difficulties associated with the variance components of both risks can be summarized through the trace of the variance-covariance matrix of the regression errors. Our findings suggest that the benefits of overparameterization can extend to time series, panel and grouped data.