Inner envelopes: efficient estimation in multivariate linear regression
内包络：多元线性回归的高效估计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：摘要涉及通用多元回归与子空间降维，没有宏观因子或其他给定专门领域的直接证据。
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
内包络：多元线性回归的高效估计
- 研究问题
- 在多元正态线性回归中，能否通过新的子空间构造提升估计效率，尤其是在既有包络模型无法带来收益时？
- 方法与思路
- 作者提出内包络模型，利用不同于既有包络模型的约化子空间构造进行极大似然估计，并研究其渐近性质。
- 材料陈述的贡献
- 摘要称证明极大似然估计的一致性和渐近分布，并以理论、模拟及实例展示相对标准方法和既有包络估计的效率收益。
- 阅读关注点
- 应核对内包络的子空间定义、模型限制、维度选择和优化方法，以及效率收益依赖哪些协方差与回归结构。
- 阅读边界
- 仅据版本未注明的索引摘要；效率改善的具体条件和幅度未说明，不能认定其普遍优于其他模型或推断刊本变化。
原文摘要
In this article we propose a new model, called the inner envelope model, which leads to efficient estimation in the context of multivariate normal linear regression. The asymptotic distribution and the consistency of its maximum likelihood estimators are established. Theoretical results, simulation studies and examples all show that the efficiency gains can be substantial relative to standard methods and to the maximum likelihood estimators from the envelope model introduced recently by Cook et al. (2010). Compared to the envelope model, the inner envelope model is based on a different construction and it can produce substantial efficiency gains in situations where the envelope model offers no gains. In effect, inner envelopes open a new frontier to the way in which reducing subspaces can be used to improve efficiency in multivariate problems.