Grouping Estimators on Heteroscedastic Data
异方差数据中的分组估计量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：摘要研究一般异方差回归中的估计效率，没有所列领域细分的直接证据。
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
异方差数据中的分组估计量
- 研究问题
- 在简单线性回归的扰动方差不相等时，分组估计量与普通最小二乘的效率如何比较，哪些异方差形式影响比较结果？
- 方法与思路
- 作者对异方差的具体形式作出假定，在简单线性回归框架下，以数值方式比较普通最小二乘和分组估计量的效率。
- 材料陈述的贡献
- 摘要称某些类型的异方差下，分组估计量可以比普通最小二乘更有效率；未说明这些类型及效率差异的大小。
- 阅读关注点
- 应核对分组规则、异方差函数形式和效率衡量标准，并检查结论是否依赖样本设计、分组阈值或其他模型条件。
- 阅读边界
- 仅有版本未注明的 OpenAlex 索引摘要；未给出分组构造、异方差设定及数值结果，不能将局部效率优势推广到一般情形，也不能推断刊本变化。
原文摘要
This paper gives numerical comparisons of the efficiency of Ordinary Least Squares (OLS) and Grouping Estimators in simple linear regression. The disturbances are assumed to have unequal variances, and an assumption is made about the form of this heteroscedasticity. It is shown that for some types of heteroscedasticity a Grouping Estimator can be more efficient than Ordinary Least Squares.