Joint Continuum Regression for Multiple Predictands
多个预测目标的联合连续统回归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：摘要讨论通用多目标回归预测，没有宏观预测、收益预测或经济因子模型的明确依据。
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
多个预测目标的联合连续统回归
- 研究问题
- 为多个预测目标共同构造回归变量，能否比逐个目标分别建模取得更好预测，并如何选择共同表示的形式与维度？
- 方法与思路
- 作者推广连续统回归，将主成分回归与多目标偏最小二乘的特定变体结合，通过交叉验证选择两者权重及构造变量数量。
- 材料陈述的贡献
- 摘要称在真实和模拟数据上检验新方法，结果提示联合方法优于分别预测所需的条件，在实际中可能较少出现。
- 阅读关注点
- 应核对多目标联合构造的目标函数、交叉验证方案和预测误差指标，以及联合方法占优或受损时各目标之间的结构。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；未说明数据领域或比较数值，不能推断联合预测总是无效，也不能归为宏观预测。
原文摘要
This article generalizes continuum regression (CR) in the hope that regressors “jointly constructed” for several predictands might improve on the separate prediction of individual predictands. The generalization developed is a mixture of principal components regression and de Jong's modification of partial least squares for multiple predictands. The balance of ingredients can be chosen by cross-validation, as can the number of regressors constructed. The new method has been tested on real and simulated data. The indications are that conditions for the superiority of the joint approach may be rare in practice.