Relation between Pearsonian Coefficients of Distributions of Least Squares Estimators and the Disturbance Term
最小二乘估计量分布与扰动项分布的 Pearson 系数关系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：摘要属于一般线性回归估计量的分布理论，没有所列经济学细分模型或应用的充分证据。
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
最小二乘估计量分布与扰动项分布的 Pearson 系数关系
- 研究问题
- 在一般线性回归中，不指定扰动项分布的具体形式时，OLS 系数估计量的三、四阶矩及其分布形状如何联系扰动项？
- 方法与思路
- 作者先推导普通最小二乘系数估计量的三阶与四阶矩，再利用这些表达式建立估计量与扰动项分布的 Pearson 系数关系。
- 材料陈述的贡献
- 摘要称，论文不预设扰动项的具体分布形式，给出 OLS 估计量高阶矩及其 Pearson 系数与扰动项对应系数之间的关系。
- 阅读关注点
- 应核对高阶矩存在的条件、扰动间关系与设计矩阵设定、Pearson 系数的具体定义，以及推导依赖哪些假设。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不指定分布形式不代表无需矩存在等条件，摘要未说明这些条件，也不能推断刊本变化。
原文摘要
In this note we derive the third and fourth moments of ordinary least squares estimators of coefficients in a general linear regression model without making any assumption regarding the form of distribution of the disturbance term. These results are then used to establish a relationship between Pearsonian coefficients of the distributions of least squares estimators and the disturbance term.