Residual Optimality: Ordinary vs. Weighted vs. Biased Least Squares
残差最优性：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中的残差最优性，未提供因果、面板、时间序列或金融应用等细分方向的明确依据。
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
残差最优性：普通、加权与有偏最小二乘的比较
- 研究问题
- 在线性模型允许观测相关和异方差时，用残差估计模型可能的拟合不足，不同最小二乘方法具有怎样的误差表现？
- 方法与思路
- 作者将回归系数的最优性与残差的最优性分开讨论，采用总体均方误差准则比较普通最小二乘、Gauss–Markov及有偏残差。
- 材料陈述的贡献
- 摘要称，尽管正确模型下Gauss–Markov系数具有最佳线性无偏性质，普通最小二乘残差在所述较弱误差准则下更优。
- 阅读关注点
- 应核对拟合不足的定义、残差估计的目标及总体均方误差的比较范围，并查看另外三类残差结果如何支持最优性陈述。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex摘要；摘要未说明误差准则的具体形式及比较条件，不能将残差结论推广为系数估计优势。
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.