Condition Numbers and Minimax Ridge Regression Estimators
条件数与极小极大岭回归估计量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：摘要研究通用回归估计的风险与数值稳定性，未明确限定于所列经济计量细分领域。
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
条件数与极小极大岭回归估计量
- 研究问题
- 岭回归追求均方误差改善时，具有极小极大性质的估计量能否同时提高数值稳定性，这两项目标如何发生权衡？
- 方法与思路
- 作者用待求逆矩阵的条件数衡量数值稳定性，给出极小极大岭估计改善稳定性的条件，并讨论两类目标之间的取舍。
- 材料陈述的贡献
- 摘要称明确了极小极大岭估计量可同时改善数值稳定性的条件，并分析以稳定性换取极小极大性质所带来的后果。
- 阅读关注点
- 应核对极小极大性质对应的损失与参数范围、岭参数选择规则，以及条件数改善如何关联实际系数计算误差。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出具体条件、损失函数或岭参数规则，不能判断任意岭估计是否兼具两种性质。
原文摘要
Ridge regression was originally formulated with two goals in mind: improvement in mean squared error and numerical stability of the coefficient estimates. Conditions are given under which a minimax ridge regression estimator can also improve numerical stability, a quantity that can be measured with the condition number of the matrix to be inverted. The consequences of trading numerical stability for minimaxity are also discussed.