Asymptotic Properties of Least-Squares Estimates in Stochastic Regression Models
随机回归模型中最小二乘估计的渐近性质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：摘要属于一般随机回归与随机逼近理论，未提供足够证据对应所列领域细分。
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…
关注这篇论文的作者
随机回归模型中最小二乘估计的渐近性质
- 研究问题
- 随机回归模型在什么条件下能保证最小二乘估计强一致，以及该结果如何用于随机逼近中的固定宽度区间估计？
- 方法与思路
- 作者假设模型可重新参数化，使新的设计向量具有弱相关性，并在这一框架下建立最小二乘估计的强一致性。
- 材料陈述的贡献
- 摘要称建立了上述重新参数化条件下的强一致性，并讨论其在随机逼近固定宽度区间估计中的应用。
- 阅读关注点
- 应核对弱相关性的数学定义、重新参数化的可行性，以及区间估计应用所需的额外条件和构造步骤。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未列出完整正则条件，不能据此推断收敛速度或刊本变化。
原文摘要
Strong consistency of least-squares estimates in stochastic regression models is established under the assumption that the underlying model can be reparametrized so that the new design vectors are weakly correlated. An application to fixed-width interval estimation in stochastic approximation schemes is also discussed.