Envelopes and Partial Least Squares Regression
包络与偏最小二乘回归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：摘要讨论通用多元回归结构与预测，未明确涉及宏观因子或金融因子模型。
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
包络与偏最小二乘回归
- 研究问题
- 包络方法与单变量及多变量偏最小二乘回归有何理论联系，能否据此构造对成分数量选择较不敏感的估计程序？
- 方法与思路
- 作者建立包络作为两类偏最小二乘方法核心结构的联系，并讨论利用不同包络估计量实现相同目标，重点考察似然方法。
- 材料陈述的贡献
- 摘要称，似然型包络估计对所选偏最小二乘成分数量较不敏感，并在所讨论的预测和估计比较中优于偏最小二乘。
- 阅读关注点
- 核对包络与偏最小二乘的对应条件、包络维度如何确定，以及预测和估计优势使用的模型、损失函数与比较设计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定效率优势的条件与幅度，不能将其表述为包络方法在所有数据中均优于偏最小二乘。
原文摘要
Summary We build connections between envelopes, a recently proposed context for efficient estimation in multivariate statistics, and multivariate partial least squares (PLS) regression. In particular, we establish an envelope as the nucleus of both univariate and multivariate PLS, which opens the door to pursuing the same goals as PLS but using different envelope estimators. It is argued that a likelihood-based envelope estimator is less sensitive to the number of PLS components that are selected and that it outperforms PLS in prediction and estimation.