A New Approach to Least-Squares Estimation, with Applications
最小二乘估计的新方法及其应用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：摘要研究一般回归与经验过程理论，未明确涉及所列因果、结构、面板或预测应用。
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
最小二乘估计的新方法及其应用
- 研究问题
- 在一般回归函数类别中，哪些函数复杂度条件可以保证最小二乘估计的平方范数一致性，并同时适用于参数与非参数回归？
- 方法与思路
- 作者利用经验过程理论研究一般回归模型，将候选回归函数类别的熵条件与最小二乘估计的平方范数一致性联系起来。
- 材料陈述的贡献
- 摘要称，函数类别的熵条件可推出最小二乘估计的平方范数一致性，并将这一结果应用于参数回归和非参数回归。
- 阅读关注点
- 应核对熵的度量与具体条件、误差和设计假设、最小二乘解的存在性，以及一致性的概率意义与应用中的验证方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供完整假设、收敛速度或计算算法，不能据此断言任意函数类别均适用。
原文摘要
The regression model $\mathbf{y} = g(\mathbf{x}) + \mathbf{\varepsilon}$ and least-squares estimation are studied in a general context. By making use of empirical process theory, it is shown that entropy conditions on the class $\mathscr{G}$ of possible regression functions imply $L^2$-consistency of the least-squares estimator $\hat{\mathbf{g}}_n$ of $g$. This result is applied in parametric and nonparametric regression.