Two-step estimation in linear regressions with adaptive learning
含自适应学习的线性回归中的两步估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要提供自适应学习回归的通用两步估计理论，未明确宏观时间序列、面板或其他所列应用方向。
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
含自适应学习的线性回归中的两步估计
- 研究问题
- 在线性回归包含自适应学习、学习增益参数需要先行估计时，第二步普通最小二乘估计的渐近性质如何变化？
- 方法与思路
- 作者先从辅助模型用非线性最小二乘估计增益参数，再分析第二步普通最小二乘的弱一致性及渐近正态分布。
- 材料陈述的贡献
- 摘要称两步估计具有奇异正态极限分布，通常受第一步抽样误差影响，但在某些参数组合下生成回归量问题消失。
- 阅读关注点
- 应核对增益参数的可识别性、两步估计所需条件、奇异协方差结构，以及第一步误差影响消失的具体参数组合。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出正则条件、收敛速率或特殊参数组合，应用范围待核对。
原文摘要
Weak consistency and asymptotic normality of the ordinary least-squares estimator in a linear regression with adaptive learning is derived when the crucial, so-called, `gain' parameter is estimated in a first step by nonlinear least squares from an auxiliary model. The singular limiting distribution of the two-step estimator is normal and in general affected by the sampling uncertainty from the first step. However, this `generated-regressor' issue disappears for certain parameter combinations.