Partial least squares algorithm yields shrinkage estimators
偏最小二乘算法产生收缩估计量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：摘要仅涉及通用回归算法与收缩性质，未明确对应所列计量领域细分。
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
偏最小二乘算法产生收缩估计量
- 研究问题
- 作者关注偏最小二乘回归估计与普通最小二乘估计之间的关系，具体考察前者是否具有收缩性质及这种收缩的含义。
- 方法与思路
- 作者基于偏最小二乘的序贯构造算法给出几何证明，并讨论收缩性质；摘要未说明所用几何对象及收缩的精确定义。
- 材料陈述的贡献
- 摘要称，论文以几何方式证明偏最小二乘所得回归估计具有相对于普通最小二乘的收缩性质，并解释这种收缩的特点。
- 阅读关注点
- 应核对收缩针对系数、方向还是其他几何量，序贯算法的停止规则，以及证明是否允许某些系数或方向出现放大。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；收缩的具体含义与适用条件未说明，不能推断逐坐标收缩或均方误差优势。
原文摘要
We give a geometric proof that the estimates of a regression model derived by using partial least squares shrink the ordinary least squares estimates. The proof is based on a sequential construction algorithm of partial least squares. A discussion of the nature of shrinkage is included.