岭回归估计量的新高斯近似

研究人员开发了一种新颖的高斯近似方法，用于岭回归估计量的有限样本分布。该近似考虑了估计量在减少误差方面的偏差-方差权衡，并且基于非标准渐近理论，其中正则化参数随样本量增长，总体系数局部于参考向量。该方法能够处理数据中的一般异方差性和自相关性，并被用于提出两种新的正则化参数选择策略，以最小化预测风险。 AI

影响 这项研究为分析回归估计量提供了一种改进的统计方法，有可能提高计量经济学和机器学习背景下模型的准确性。

排序理由 该条目是一篇学术论文，详细介绍了一种新的统计近似方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• autocorrelation
• CatalyzeX
• CORE Recommender
• DagsHub
• Gaussian Approximation
• Gotit.pub
• Hugging Face
• Influence Flower
• ScienceCast
• Tikhonov regularization

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →