Good and Optimal Ridge Estimators
良好与最优的岭估计量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：摘要研究通用线性回归中的岭收缩与均方误差，未提供归入所列经济计量细分方向的直接依据。
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
良好与最优的岭估计量
- 研究问题
- 广义岭估计沿回归设计的主轴缩放 OLS 系数时，在哪些系数空间方向可能增大均方误差，又如何定义最优缩放因子？
- 方法与思路
- 作者研究固定、非负且小于一的岭因子，并将均方误差分解为平行和正交于真实系数向量的部分，以分析最优因子。
- 材料陈述的贡献
- 摘要称在给定因子条件下，至多一个未知方向的均方误差超过 OLS，并给出某些未知量的最大似然、无偏或范围正确估计。
- 阅读关注点
- 应核对方向性均方误差的定义、固定岭因子条件、最优因子的目标准则，以及未知量估计替代后是否保留相应结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；方向性结论不等于总均方误差必然更小，也不能直接推广到数据选择的岭因子。
原文摘要
In generalized ridge estimation, the components of the ordinary least squares (OLS) regression coefficient vector which lie along the principal axes of the given regressor data are rescaled using known ridge factors. Generalizing a result of Swindel and Chapman, it is shown that, if each ridge factor is nonstochastic, nonnegative, and less than one, then there is at most one unknown direction in regression coefficient space along which ridge coefficients have larger mean squared error than do OLS coefficients. Then, by decomposing the mean squared error of a ridge estimator into components parallel to and orthogonal to the unknown true regression coefficient vector, new insight is gained about definitions for optimal factors. Estimators of certain unknown quantities are displayed which are maximum likelihood or unbiased under normal theory or which have correct range.