Predicting Multivariate Responses in Multiple Linear Regression
多元线性回归中的多响应预测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：摘要讨论通用多响应回归预测，未提供宏观预测或金融收益预测的领域依据。
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
多元线性回归中的多响应预测
- 研究问题
- 多个响应变量共享同一组解释变量时，怎样利用响应之间的相关性，提高相对于分别回归各响应的预测准确性？
- 方法与思路
- 作者提出curds and whey方法，并通过大量模拟与包括偏最小二乘在内的多响应预测方法比较，另介绍便于实现的版本。
- 材料陈述的贡献
- 摘要称，新方法在响应相关时可明显降低预测误差，在响应不相关时仍维持准确性，并在所报告模拟中表现较好。
- 阅读关注点
- 应核对方法如何利用响应相关性、调节步骤与实现方式，以及模拟中的数据生成过程、评价指标和比较方法设置。
- 阅读边界
- 仅据所给Crossref摘要；摘要未提供具体误差降幅或适用条件，所述模拟优势不能外推为所有多响应预测问题中的优势。
原文摘要
Summary We look at the problem of predicting several response variables from the same set of explanatory variables. The question is how to take advantage of correlations between the response variables to improve predictive accuracy compared with the usual procedure of doing individual regressions of each response variable on the common set of predictor variables. A new procedure is introduced called the curds and whey method. Its use can substantially reduce prediction errors when there are correlations between responses while maintaining accuracy even if the responses are uncorrelated. In extensive simulations, the new procedure is compared with several previously proposed methods for predicting multiple responses (including partial least squares) and exhibits superior accuracy. One version can be easily implemented in the context of standard statistical packages.