A Modern Gauss–Markov Theorem
现代高斯—马尔可夫定理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：摘要聚焦一般线性回归的有限样本效率理论，没有足够文本依据将其归入因果、面板、宏观或金融的具体细分方向。
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
现代高斯—马尔可夫定理
- 研究问题
- 线性回归系数估计的有限样本效率界，是否能够在不增加条件的情况下，从线性无偏估计量扩展到更广的无偏估计量类别？
- 方法与思路
- 作者研究无偏估计量的方差下界，并根据误差协方差假设，将这些下界与最小二乘及广义最小二乘估计量的方差对应起来。
- 材料陈述的贡献
- 摘要称，经典高斯—马尔可夫定理可去除对线性估计量的限制，无须增加额外条件，从而将相关估计量表述为最佳无偏估计量。
- 阅读关注点
- 应核对无偏性要求覆盖的参数和分布范围、误差协方差假设，以及方差下界的比较对象和定理中估计量类别的精确定义。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未给出模型类与无偏性的完整量词，不能据此认定最小二乘在任意回归环境中最优或推断刊本变化。
原文摘要
This paper presents finite‐sample efficiency bounds for the core econometric problem of estimation of linear regression coefficients. We show that the classical Gauss–Markov theorem can be restated omitting the unnatural restriction to linear estimators, without adding any extra conditions. Our results are lower bounds on the variances of unbiased estimators. These lower bounds correspond to the variances of the the least squares estimator and the generalized least squares estimator, depending on the assumption on the error covariances. These results show that we can drop the label “linear estimator” from the pedagogy of the Gauss–Markov theorem. Instead of referring to these estimators as BLUE, they can legitimately be called BUE (best unbiased estimators).