LARGE SYSTEM OF SEEMINGLY UNRELATED REGRESSIONS: A PENALIZED QUASI-MAXIMUM LIKELIHOOD ESTIMATION PERSPECTIVE
大型似不相关回归系统：惩罚准极大似然估计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：摘要研究通用大型回归系统，未明确涉及面板、因子、预测或其他给定领域细分。
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…
大型似不相关回归系统：惩罚准极大似然估计
- 研究问题
- 当似不相关回归系统的方程数量相对样本量较大时，如何联合估计模型系数和误差协方差矩阵，并刻画高维估计性质？
- 方法与思路
- 作者借助收缩估计提出惩罚准极大似然方法，分析系数估计的渐近分布、协方差矩阵的 Frobenius 范数收敛率及模型选择。
- 材料陈述的贡献
- 摘要称，建立了协方差估计的模型选择一致性；在方程较多且误差协方差稀疏的模拟设定中，该方法优于所比较的估计量。
- 阅读关注点
- 应核对方程数量与样本量的增长关系、协方差稀疏性条件、惩罚参数选择，以及模拟比较对象和系数推断所需条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；惩罚形式、理论条件及模拟幅度未说明，所述优势限于摘要指定的设定，不能推断普遍优势或刊本变化。
原文摘要
In this article, using a shrinkage estimator, we propose a penalized quasi-maximum likelihood estimator (PQMLE) to estimate a large system of equations in seemingly unrelated regression models, where the number of equations is large relative to the sample size. We develop the asymptotic properties of the PQMLE for both the error covariance matrix and model coefficients. In particular, we derive the asymptotic distribution of the coefficient estimator and the convergence rate of the estimated covariance matrix in terms of the Frobenius norm. The model selection consistency of the covariance matrix estimator is also established. Simulation results show that when the number of equations is large relative to the sample size and the error covariance matrix is sparse, the PQMLE outperforms other contemporary estimators.