On the degrees of freedom of reduced-rank estimators in multivariate regression
多元回归降秩估计量的有效自由度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：摘要讨论通用多元回归的自由度和风险估计，未提供宏观预测、金融预测或因子模型的直接依据。
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
多元回归降秩估计量的有效自由度
- 研究问题
- 在多元回归中，如何准确估计一类降秩估计量的有效自由度，并用于预测风险评估与模型选择，尤其是维度超过样本量时？
- 方法与思路
- 作者在 Stein 无偏风险估计框架下，利用最小二乘解经阈值处理的奇异值，推导有效自由度的有限样本精确无偏闭式估计。
- 材料陈述的贡献
- 摘要称结果适用于预测变量与响应维度均可超过样本量的情形，解释与常用朴素估计的联系，并展示风险估计及模型选择用途。
- 阅读关注点
- 应核对降秩估计类与阈值规则的范围、无偏性所需误差条件、高维最小二乘解的处理，以及朴素自由度估计的偏差来源。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明误差分布与阈值正则条件，预测用途也未指向宏观或收益预测。
原文摘要
We study the effective degrees of freedom of a general class of reduced-rank estimators for multivariate regression in the framework of Stein's unbiased risk estimation. A finite-sample exact unbiased estimator is derived that admits a closed-form expression in terms of the thresholded singular values of the least-squares solution and hence is readily computable. The results continue to hold in the high-dimensional setting where both the predictor and the response dimensions may be larger than the sample size. The derived analytical form facilitates the investigation of theoretical properties and provides new insights into the empirical behaviour of the degrees of freedom. In particular, we examine the differences and connections between the proposed estimator and a commonly-used naive estimator. The use of the proposed estimator leads to efficient and accurate prediction risk estimation and model selection, as demonstrated by simulation studies and a data example.