Continuum Regression and Ridge Regression
连续体回归与岭回归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：摘要涉及通用回归收缩与预测效率，未指定宏观预测、收益预测或宏观金融因子模型。
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
连续体回归与岭回归
- 研究问题
- 第一因子连续体回归与岭回归有什么关系？若希望防范近共线性，但不将全面收缩视为一般原则，是否可以调整岭回归的收缩？
- 方法与思路
- 作者将第一因子连续体回归解释为对岭回归施加标量补偿，以调整与共线性倾向无关的收缩；补偿可通过一次额外线性回归计算。
- 材料陈述的贡献
- 摘要称，两种方法关系紧密；作者经验显示补偿后的预测均方误差效率至少相当，且对岭常数较不敏感，但摘要未给出比较细节。
- 阅读关注点
- 应核对标量补偿的推导、第一因子的具体定义、共线性相关收缩的区分，以及预测误差与岭常数敏感性的证据来自哪些设定。
- 阅读边界
- 仅据所给 Crossref 摘要；效率与敏感性表述包含作者经验判断，缺少比较条件和数值，不能据此认定一般性优势或推断其他版本变化。
原文摘要
SUMMARY We demonstrate the close relationship between first-factor continuum regression and standard ridge regression. The difference is that continuum regression inserts a scalar compensation factor for that part of the shrinkage in ridge regression that has no connection with tendencies towards collinearity. We interpret this to mean that first-factor continuum regression is preferable in principle to ridge regression if we want protection against near collinearity but do not admit shrinkage as a general principle. Furthermore, our experience indicates that with first-factor continuum regression we can obtain predictors that are at least as mean-squared error efficient as with ridge regression but with less sensitivity to the choice of ridge constant. The scalar compensation factor is easily calculated by just an additional simple linear regression with the ridge regression predictor as regressor.