(Frisch-Waugh-Lovell)': On the Estimation of Regression Models by Row
逐行估计回归模型：Frisch–Waugh–Lovell 的另一种视角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：摘要讨论跨多类回归模型的通用计算方法，未聚焦某一所列实质细分领域。
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…
逐行估计回归模型：Frisch–Waugh–Lovell 的另一种视角
- 研究问题
- 能否通过逐行独立处理并累计信息来实现多类回归估计与推断，从而减轻大数据场景中的原始数据存储负担和计算成本？
- 方法与思路
- 作者提出逐行累计计算程序，讨论其对 OLS、IV、惩罚回归及 probit、logit 等模型的适用性，并比较与传统估计程序的计算时间。
- 材料陈述的贡献
- 摘要称极限情况下无需同时存储超过一行数据即可产生估计，并覆盖常见推断方式；也称中等规模数据可能获得计算加速。
- 阅读关注点
- 应核对各类估计器的累计信息与更新步骤、是否需要多次遍历数据，以及原始数据、累计统计量和优化状态各自的内存占用。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明所有模型的精确实现和成本，不能把单行数据存储等同于总内存恒定。
原文摘要
We demonstrate that regression models can be estimated by working independently in a row-wise fashion. We document a simple procedure which allows for a wide class of econometric estimators to be implemented cumulatively, where, in the limit, estimators can be produced without ever storing more than a single line of data in a computer's memory. This result is useful in understanding the mechanics of many common regression models. These procedures can be used to speed up the computation of estimates computed via OLS, IV, Ridge regression, LASSO, Elastic Net, and Non-linear models including probit and logit, with all common modes of inference. This has implications for estimation and inference with `big data', where memory constraints may imply that working with all data at once is particularly costly. We additionally show that even with moderately sized datasets, this method can reduce computation time compared with traditional estimation routines.