Residual Optimality: Ordinary Vs. Weighted Vs. Biased Least Squares
残差的最优性：普通、加权与有偏最小二乘的比较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：摘要讨论一般线性模型的残差最优性，未涉及所列细分中的特定经济对象或数据结构，因此暂不归类。
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
残差的最优性：普通、加权与有偏最小二乘的比较
- 研究问题
- 当线性模型的观测存在相关性或异方差时，用残差衡量潜在模型失配，是否会得到不同于回归系数估计的最优性排序？
- 方法与思路
- 作者区分系数估计的最佳线性无偏标准与残差估计的总体均方误差标准，比较普通、Gauss–Markov及有偏残差。
- 材料陈述的贡献
- 摘要称，普通最小二乘残差在衡量潜在模型失配的较弱均方误差标准下更优，并以另外三类残差结果补充说明。
- 阅读关注点
- 应核对模型失配的定义、残差所估计的对象及总体均方误差如何计算，并查明三类补充结果各自依赖的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供具体条件或证明，不能将残差的最优性扩展为系数估计的普遍优势。
原文摘要
In the general linear model with observations not necessarily uncorrelated or homoscedastic, Gauss-Markov regression coefficients are superior to ordinary unweighted least squares in the well known BLU sense if the model is correct. However, it is shown that there is a weaker, but always applicable, minimum overall mean squared error sense in which Gauss-Markov residuals and biased residuals are inferior to ordinary least squares residuals as estimators of possible lack-of-fit in the model. This optimality of ordinary least squares is further illustrated by three other types of results about residuals.