Pseudo best estimator by a separable approximation of spatial covariance structures
考虑了格点上误差项空间相关的线性回归模型。当估计线性回归模型中的系数时，如果协方差结构已知，则使用广义最小二乘估计量（GLSE）。然而，对于大空间数据集的GLSE计算是昂贵的，因为它涉及从每个观测值反演误差项的协方差阵。为了降低计算复杂度，我们提出了一个伪最佳估计（PBE）使用空间协方差结构近似的可分离的协方差函数。我们推导了PBE的渐近协方差阵，并通过一些模拟将其与最小二乘估计（LSE）和GLSE的渐近协方差矩阵进行了比较。蒙特卡罗模拟表明，使用可分离的协方差函数的PBE具有优于LSE的精度，其中不包含空间协方差结构的信息，即使真实过程具有各向同性的Matérn协方差函数。此外，我们提出的PBE是计算效率相对于GLSE大型空间数据集。
2014-06-15 stat.ME
Identifiability in Unlinked Linear Regression: Some Results and Open Problems
本文研究无链接线性回归中回归参数的可识别性问题，回顾了协变量分量独立同分布时的已有结果，并在不同分布情形下给出了新的可识别性条件，同时建立了与独立成分分析的联系。
2025-07-20 math.ST stat.TH
On the global identifiability of logistic regression models with misclassified outcomes
在过去的十年中，来自卫生系统的大数据（如电子健康记录）的二次利用在推进生物医学发现和改善临床决策方面显示出巨大的前景。然而，有一个越来越多的关注的偏见，在关联研究所造成的错误分类的二元结果来自电子健康记录。我们重新审视经典的逻辑斯谛回归模型与错误分类的结果。尽管在一些相关的设置中的局部识别条件已经建立，这种模式的全局识别仍然在很大程度上是未知的，是一个重要的问题还有待回答。我们得到了全局可识别的逻辑斯谛回归模型与错误分类的结果的必要和充分条件，使用一种新的方法称为子模型分析，和一种技术改编自皮卡德-Lindelöf存在定理在常微分方程。特别地，我们的结果适用于具有离散协变量的Logistic模型，这是生物医学研究中常见的情况，条件易于在实践中验证。除了模型的可识别性，我们提出了一个假设检验程序的回归系数在错误分类的逻辑斯谛回归模型时，模型是不可识别的空。
2021-03-23 math.ST stat.TH
Nonparametric regression on hidden phi-mixing variables: identifiability and consistency of a pseudo-likelihood based estimation procedure
本文概述了一个新的非参数估计过程的不可观测φ-混合过程。假设关于平稳隐藏状态（Xk）的唯一信息由过程（Yk）给出，其中Yk是f（Xk）的噪声观测。本文介绍了一种利用长度为b的观测值块来估计函数f和隐态分布的极大伪似然方法。在特殊情况下，b=1和b=2的模型的可辨识性进行了研究。建立了f的估计量和隐状态的分布的一致性，因为观测的数量增长到无穷大。
2015-08-26 math.ST stat.TH
Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Washington University（华盛顿大学）
本文研究了在存在未观测空间变化混杂因素时处理效果的可识别性，通过线性模型和参数假设分析，探讨了不同空间模型下因果推断的可行性及注意事项。
2026-02-26 math.ST stat.ME stat.TH
Strong identifiability and parameter learning in regression with heterogeneous response
本文研究有限回归混合模型在精确拟合、过度拟合及成分数未知时的强可辨识性、估计收敛速率与贝叶斯后验收缩，并通过模拟和实例说明参数学习行为。
2024-01-28 math.ST stat.ML stat.TH
A multiple covariance approach to PLS regression with several predictor groups: Structural Equation Exploratory Regression
假设变量组Y依赖于R个主题变量组X1，>...，X R .我们假设Y中的分量线性依赖于Xr中的分量。在这项工作中，我们提出了一个多协方差标准，扩展了PLS回归到这个多个预测组的情况。在此基础上，我们建立了一个PLS型的探索性方法-结构方程探索性回归（SEER）-允许同时进行组中的降维和调查的线性模型的组件。SEER使用每个组的多维结构。最后给出了应用实例。
2008-02-11 math.ST stat.ME stat.TH
Positive definiteness of the asymptotic covariance matrix of OLS estimators in parsimonious regressions
最近，Ghysels，Hill和Motegi（2020）提出了一种检验方法，用于检查线性回归模型中的大量系数是否为零。该测试称为最大值测试。检验统计量的计算方法是：首先运行多个普通最小二乘（OLS）回归，每个回归仅包括一个关键回归量，其系数假定在零值下为零，然后取这些关键回归量的平方OLS系数估计值的最大值。他们称这些回归为简约回归。本文回答了他们在注2.4中提出的一个问题：简约回归中OLS估计量的渐近协方差阵是否一般正定。本文证明了它一般是正定的，其结果可用来方便地计算max检验所需的模拟p值。
2020-10-26 math.ST stat.ME stat.TH
Estimation of Conditional Mean Operator under the Bandable Covariance Structure
本文考虑高维多元线性回归模型，其中协变量和响应变量的联合分布是一个多元正态分布，其协方差阵是可带的。本文的主要目标是估计回归系数矩阵，它是一个函数的带宽协方差阵。虽然递减估计的协方差具有极小极大最优收敛速度的类的可带协方差，我们表明，它有一个次优收敛速度的回归系数，也就是说，极小极大估计类的可带协方差可能不是一个极小极大估计其泛函。本文提出了回归系数的分块渐缩估计，在协方差可带的假设下，该估计具有回归系数的minimax最优收敛速度。我们还提出了一个贝叶斯过程称为块逐渐减少后处理后的后验的回归系数，并表明，所提出的贝叶斯过程具有极小极大最优收敛速度的回归系数下的带宽协方差假设。我们表明，所提出的方法优于现有的方法，通过数值研究。
2021-03-11 math.ST stat.TH
On identifiability and consistency of the nugget in Gaussian spatial process models
地质统计学中流行的空间过程模型通常将观测数据表示为平滑的潜在过程和白噪声的总和。白噪声的变化归因于测量误差或微尺度变化，并且被称为“块金”。我们正式建立结果的可识别性和一致性的块金在空间模型的基础上，在填充渐近的框架内的高斯过程，即样本量增加的采样域是有界的。我们的工作扩展了无块金空间模型的固定域渐近性结果。更具体地说，我们建立的Matérn协方差函数中的参数的可识别性和一致性的最大似然估计的存在下，由于块金不连续。我们还提出了模拟研究，以证明在空间插值的可识别量的作用。
2023-02-13 math.ST stat.TH
Inference in pseudo-observation-based regression using (biased) covariance estimation and naive bootstrapping
Institute of Statistics, RWTH Aachen University（亚琛工业大学统计研究所）；Department of Public Health - Department of Biostatistics, Aarhus University（奥胡斯大学公共卫生学院-生物统计系）
本文提出基于伪观测回归的推断方法，通过改进的协方差估计和学生化方法提高检验精度，解决了传统方法的一致性问题。
2026-01-22 math.ST stat.ME stat.TH
Robust Prediction Variance Estimation for Gaussian Process Regression Under Covariance Smoothness Misspecification
University of Mayagüez（马亚圭斯大学）
针对协方差平滑性误指定导致预测方差低估的问题，提出一种新的均方预测误差估计方法，该方法在非等价工作模型与真实模型下表现更优。
2026-06-03 math.ST stat.ME stat.TH
Covariance Regression with High-Dimensional Predictors
本文提出融合数据分割、变量选择、低维估计聚合与稳健方差估计的高维协方差回归推断方法，可构建可靠置信区间，并在模拟和HCP衰老脑影像研究中验证有效。
2024-04-10 math.ST stat.ME stat.TH
Difference-based covariance matrix estimate in time series nonparametric regression with applications to specification tests
针对时变系数函数线性模型，提出基于差分且去偏的长期协方差矩阵估计量，支持非平稳、长程相依与异方差，并用于结构稳定性和长记忆检验。
2024-02-28 math.ST stat.ME stat.TH
Interpolation error of misspecified Gaussian process regression
插值误差是回归模型在感兴趣的域上的平方误差的积分。本文研究了高斯过程回归中的插值误差：所用的协方差函数与真实的协方差函数不同。我们推导出一个无限网格实验设计的插值误差。特别是，我们表明，对于Matern 1/2协方差函数的参数估计差，只有轻微影响插值的质量。然后，我们进行数值实验，考虑最常见的协方差函数，包括其他Matern和平方指数协方差函数的误设定。对它们来说，参数估计的质量影响插值误差。
2018-03-26 math.ST stat.TH
Bivariate Matrix-valued Linear Regression (BMLR): Finite-sample performance under Identifiability and Sparsity Assumptions
本文提出双变量矩阵值线性回归模型，通过显式优化免费估计器在可识别性和稀疏性假设下实现参数高效估计，并通过实验验证其在有限样本下的性能。
2025-12-04 math.ST stat.ML stat.TH
Moment Identifiability of Homoscedastic Gaussian Mixtures
本文研究了同方差高斯混合的矩可识别性，通过分析矩流形和割线流形，确定了在不同成分数情况下参数恢复的方法和理论依据。
2020-05-15 math.AG math.ST stat.TH
On the Power of Invariant Tests for Hypotheses on a Covariance Matrix
自相关检验的幂函数的行为，如时间序列回归中的Durbin-Watson检验或空间回归模型中的Cliff-Ord检验，已在文献中进行了深入研究。当相关性变得很强时，Krämer（1985）（对于Durbin-Watson检验）和Krämer（2005）（对于Cliff-Ord检验）已经表明，在某些情况下，功效可以非常低，实际上可以收敛到零。受这些结果的启发，Martellosio（2010）开始建立一个解释这些发现的一般理论。不幸的是，Martellosio（2010）没有实现这一目标，因为他的结果和证明的很大一部分存在严重的缺陷。本文现在在一个相当一般的框架中建立了Martellosio（2010）所设想的理论，涵盖了线性回归模型中干扰协方差阵假设的一般不变检验。一般的结果，然后专门测试空间相关性和自相关测试时间序列回归模型。我们还描述了零假设和备择假设无法通过不变检验区分的情况。
2015-01-22 math.ST stat.ME stat.TH
Bayesian shrinkage prediction for the regression problem
我们考虑贝叶斯收缩预测下的正态回归问题的频率Kullback-Leibler风险函数。首先，我们考虑均值未知和协方差已知的多元正态模型。当未知均值固定时，未来样本的协方差可能与训练样本不同。证明了如果协方差矩阵和未来协方差阵的先验分布是旋转不变的，则基于一致先验的贝叶斯预测分布优于基于一类先验的贝叶斯预测分布.然后，我们考虑一类先验的均值参数依赖于未来的协方差阵。有了这样的先验，我们可以构建一个贝叶斯预测分布优于基于一致先验。最后，将这一结果应用于正态线性回归模型中响应变量的预测，证明了在一致先验条件下，存在一个贝叶斯预测分布支配该分布。这些贝叶斯预测的极大极小性来自这些结果。
2007-01-21 math.ST stat.TH
Fixed and Random Covariance Regression Analyses
本文研究 Random-X 协方差回归的估计与模型评估，证明拟最大似然和加权最小二乘估计量的渐近性质，并给出 Fixed-X 与 Random-X 测试误差的偏差—方差分解及估计方法。
2025-01-07 math.ST stat.TH
Posterior consistency in multi-response regression models with non-informative priors for the error covariance matrix in growing dimensions
本文在增长维度下研究多响应回归模型中误差协方差矩阵采用逆威沙特尺度混合先验时的后验相合性，建立了回归系数矩阵和协方差矩阵的收缩速率，并分析了q_n/n趋于非零常数时后验不相合的情形。
2024-09-18 math.ST stat.TH
Beyond ICA: Identifiability by Symmetry Breaking
SANKEN, University of Osaka（大阪大学 SANKEN（大阪大学蛋白质研究所））
研究在纯无监督下证明带PWA解码器和GMM先验的DGM可识别性，引入三个代数对比原则，利用PWA与GMM结构作用，形成可识别性层次结构，允许不连续和非单射解码器，以代数对称性破缺为非线性可识别性引擎。
2026-07-28 cs.LG math.ST stat.ML
Invariances of random fields paths, with applications in Gaussian Process Regression
本文研究了中心随机场的路径不变性，它可以通过协方差来控制。一个结果，涉及复合算子在二阶设置，我们表明，各种路径属性，包括加性归结为协方差核的不变性。这些结果被扩展到更广泛的一类运营商在高斯的情况下，通过Loève等距。几个协方差驱动的路径不变性的说明，包括对称路径，中心路径，谐波路径，或稀疏路径的字段。所提出的方法提供了一些有前途的结果和前景的高斯过程回归。
2013-08-06 math.PR math.ST stat.ME
Multi-task Regression using Minimal Penalties
在本文中，我们研究了内核多岭回归框架，我们称之为多任务回归，使用惩罚技术。对该问题的理论分析表明，最佳校准的关键因素是不同任务之间噪声的协方差阵。我们提出了一种新的算法来估计这个协方差阵，基于最小惩罚的概念，这是以前使用的单任务回归框架来估计噪声的方差。我们表明，在一个非渐近设置和温和的假设下，对目标函数，该估计收敛到协方差阵。然后将这个估计量插入到相应的理想罚函数中，得到一个预言不等式。我们说明了我们的算法合成的例子的行为。
2012-10-23 math.ST stat.TH
Regression with strongly correlated data
本文讨论了强相关数据的线性回归，例如，在磁流体动力学平衡重建。我们证明了，一般地，对于固定的样本量，当相关性变为1时，估计的回归参数的协方差阵趋于零。也就是说，在这个极限中，估计参数以完美的精度已知。简单的例子来说明这种效果和特殊情况下，估计协方差不为零的性质。
2007-02-27 math.ST stat.TH
Non-identifiability distinguishes Neural Networks among Parametric Models
Stanford University（斯坦福大学）
本研究证明，在回归任务中，前馈神经网络能学习任意存在的非平凡关系，而平滑参数模型在可辨识性条件下可能仅学习常数预测器，从而以非可辨识性区分神经网络。
2025-05-27 cs.LG math.ST stat.ML
Tuned Regularized Estimators for Linear Regression via Covariance Fitting
本研究针对线性模型正则化估计器的最优权重选择问题，提出用协方差拟合SPICE方法获取数据自适应权重，统一了岭回归、LASSO等多种重要估计器，并通过数值实验验证了其实际有效性。
2022-01-21 math.ST stat.ML stat.TH
Meta-Learning with Generalized Ridge Regression: High-dimensional Asymptotics, Optimality and Hyper-covariance Estimation
University of California, Davis（加利福尼亚大学戴维斯分校）；Indian Statistical Institute, Kolkata（印度统计研究所（加尔各答））
本文在高维随机效应线性模型下研究基于广义岭回归的元学习，证明权重矩阵取随机系数协方差矩阵的逆时预测风险最优，并提出可高效计算的逆协方差估计量，提升新任务泛化性能。
2024-03-27 cs.LG math.ST stat.ML
Generalization for Least Squares Regression With Simple Spiked Covariances
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Boston College（波士顿学院）
本文针对具有尖峰协方差的线性模型，在渐近比例机制下推导了两个简单模型的泛化误差，揭示了尖峰对应的特征向量和特征值对泛化性能的关键影响。
2024-10-17 cs.LG math.ST stat.ML
Identifiability and optimal rates of convergence for parameters of multiple types in finite mixtures
本文研究了有限混合模型中多类型参数的可辨识性和收敛性，以及含有混合分量的模型拟合的影响。首先，我们提出了一个强可识别性的一般理论，它扩展了Nguyen [2013]和Chen [1995]以前的工作，以解决广泛的混合模型和处理矩阵变量参数。这些模型共享相同的Wasserstein距离为基础的最佳收敛速度的混合分布的空间-$n^{-1/2}$下$W_1$的精确拟合和$n^{-1/4}$下$W_2$的过度拟合设置，其中$n$是样本量。然而，这一理论并不适用于几个重要的模型类，包括位置尺度多元高斯混合，形状尺度伽玛混合和位置尺度形状斜态混合。这项工作的第二部分是致力于证明这些“弱识别”类，密度族的代数结构在确定模型参数的收敛速度，这显示了非常丰富的行为谱中发挥了根本性的作用。例如，在过拟合的位置协方差高斯混合物中的参数估计的最佳速率由多项式方程的可解系统的阶数精确地确定--当更多的额外分量被添加到模型中时，这些速率迅速恶化。各种设置的既定利率说明了模拟研究。
2015-01-11 math.ST stat.ML stat.TH
Jackknife covariance matrix estimation for observations from mixture
本文讨论了当样本取自不同浓度的混合物时矩估计量的渐近协方差的一般折刀估计。证明了估计量的一致性。本文提出了一种快速算法。将该估计应用于变量中含有误差的线性回归中回归参数的置信集的构造。被认为是社会学数据分析的应用。
2019-12-17 math.ST stat.TH
Efficient Estimation of Multidimensional Regression Model with Multilayer Perceptron
利用多层感知器（MLP）估计多维非线性回归模型。这种模型的主要问题是，我们必须知道噪声的协方差阵，以获得最佳估计。然而，我们证明，如果我们选择经验误差协方差阵的行列式的对数作为费用函数，我们得到一个渐近最优估计。
2008-02-21 math.ST stat.ML stat.TH
Provable Identifiability of Two-Layer ReLU Neural Networks via LASSO Regularization
University of Pennsylvania Wharton School（宾夕法尼亚大学沃顿商学院）；University of Minnesota（明尼苏达大学）
本文证明LASSO正则化可稳定重建两层ReLU神经网络并识别其依赖的输入子集，样本量随维度对数增长，并提出了基于神经网络的变量选择方法。
2023-05-07 cs.LG math.ST stat.TH
Highly Efficient Estimators with High Breakdown Point for Linear Models with Structured Covariance Matrices
我们提供了一个统一的方法来估计平衡线性模型的回归参数的方法与结构化的协方差阵，结合了高崩溃点和有限的影响与高渐近效率的模型与多元正态误差。主要感兴趣的是线性混合效应模型，但我们的方法还包括其他几个标准的多变量模型，如多元回归，多元回归和多元位置和分散。我们给出了估计量和相应泛函存在的充分条件，建立了渐近性质如相合性和渐近正态性，并推导了它们在崩溃点和影响函数方面的稳健性.所有的结果得到一般可识别的协方差结构，并建立在温和的条件下的分布的观察，这远远超出了模型的椭圆轮廓密度。我们的一些结果是新的，其他的是更普遍的比现有的文献。通过这种方式，本文完成并改进了在多种多元模型中高效率的高分解估计的结果。
2023-03-21 math.ST stat.TH
Algorithms for Heavy-Tailed Statistics: Regression, Covariance Estimation, and Beyond
我们研究有效的算法，线性回归和协方差估计的高斯假设的情况下，对样本的基本分布，而不是假设只有有限多的时刻。我们专注于需要多少样本来进行高精度和指数良好的成功概率的估计和回归。对于协方差估计，线性回归，和其他几个问题，估计器最近被构造与样本的复杂性和错误匹配率是可能的，当潜在的分布是高斯，但这些估计器的算法需要指数时间。我们缩小了多项式时间估计的高斯和重尾设置之间的差距：1。一种多项式时间估计器，其从具有协方差$Σ$的随机向量$X \in R^d$中获取$n$样本，并产生$\hatΣ$，使得在谱范数中，$\|\hatΣ - Σ\|_2 \leq \tilde{O}(d^{3/4}/\sqrt{n})$ w. p. $1-2^{-d}$。信息理论上的最优误差界是$\tilde{O}(\sqrt{d/n})$ ;以前的多项式时间算法方法停留在$\tilde{O}(d/\sqrt{n})$。2.一种多项式时间算法，其采用$n$对$(X_i,Y_i)$进行采样，其中$Y_i = \langle u,X_i \rangle + \varepsilon_i$并产生$\hat{u}$，使得对于任何$n \geq d^{3/2} \log(d)^{O(1)}$，损失$\|u - \hat{u}\|^2 \leq O(d/n)$ w. p. $1-2^{-d}$。这种（信息理论上最优的）错误是通过任何…
2019-12-23 cs.DS math.ST stat.TH
Estimation and Test for Multidimensional Regression Models
这项工作涉及多维回归的估计和渐近行为的测试参与选择模型。这种模型的主要问题是我们需要知道噪声的协方差阵以获得最佳估计。本文证明了，如果我们选择极小化经验误差协方差阵的行列式的对数，那么我们得到一个渐近最优估计。此外，在适当的假设下，我们表明，这个费用函数导致一个非常简单的渐近法测试的参数的数量的可识别和定期回归模型。数值实验证实了理论结果。
2008-02-19 math.ST stat.TH
High-Dimensional Asymptotics of Prediction: Ridge Regression and Classification
我们提供了一个统一的分析岭回归和正则化判别分析在稠密随机效应模型的预测风险。我们在一个高维渐近制度，$p, n \to \infty$和$p/n \to γ\in (0, \, \infty)$，并允许任意协方差的功能。对于这两种方法，我们提供了一个明确的和有效的计算表达式的限制预测风险，这只取决于频谱的特征协方差阵，信号强度，和纵横比$γ$。特别是在正则化判别分析的情况下，我们发现，预测精度有一个微妙的依赖于特征值分布的协方差阵，这表明，基于算子范数的协方差阵的分析可能不尖锐。我们的研究结果还揭示了两种方法的一些定性见解：例如，岭回归，在给定固定信号强度的情况下，极限预测风险和极限估计风险之间存在精确的反比关系。我们的分析建立在随机矩阵理论的最新进展。
2015-11-04 math.ST stat.ML stat.TH
The High-Dimensional Asymptotics of Principal Component Regression
研究高维渐近设置下的主成分回归，推导出依赖总体协方差特征值、信号对齐和PC数量的精确风险极限公式，并利用随机矩阵理论工具揭示样本PC无法完全捕捉低维结构的挑战。
2025-06-02 math.ST stat.TH
Efficient Estimation of Multidimensional Regression Model using Multilayer Perceptrons
本文研究了基于多层感知器的多维非线性回归模型的估计问题。这种模型的主要问题是我们需要知道噪声的协方差阵以获得最佳估计。然而，我们在本文中表明，如果我们选择作为费用函数的经验误差协方差阵的行列式的对数，那么我们得到一个渐近最优估计。此外，在适当的假设下，我们表明，这个费用函数导致一个非常简单的渐近法测试的参数的数量可识别的MLP。数值实验证实了理论结果。
2008-02-21 math.ST stat.TH
Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression
本文揭示私有线性回归的统计复杂度由协方差矩阵的 L1 类似物而非协方差矩阵本身刻画，提出信息加权回归方法达到极小极大最优速率，并应用于私有线性上下文赌博机，证明联合隐私几乎无额外代价。
2025-11-05 cs.AI cs.CR cs.LG
Online Covariance Estimation in Averaged SGD: Improved Batch-Mean Rates and Minimax Optimality via Trajectory Regression
H. Milton Stewart School of Industrial；Systems Engineering, Georgia Institute of Technology e1,e2
本文研究了Polyak-Ruppert平均随机梯度下降的在线协方差矩阵估计，改进了批量均值收敛速率并实现了最小最大最优性，通过轨迹回归方法分解误差并建立下限。
2026-04-12 cs.LG math.ST stat.TH
High Dimensional Robust Sparse Regression
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提供了一种新的-据我们所知，第一-高维稀疏回归算法的解释和/或响应变量的腐败的常数部分。我们的算法恢复真正的稀疏参数与次线性样本的复杂性，在存在一个恒定的分数的任意腐败。我们的主要贡献是一个强大的变种迭代硬持票。利用这一点，我们提供了精确的估计：当稀疏回归中的协方差矩阵是恒等的时，我们的误差保证接近信息理论最优。然后，我们处理未知结构协方差矩阵的鲁棒稀疏回归。我们提出了一种滤波算法，它包括一种新的随机离群值去除技术的强大的稀疏均值估计，可能是在其本身的权利感兴趣的：滤波算法是足够灵活的处理未知的协方差。此外，它是有序更有效的计算比椭球算法。使用次线性样本复杂度，我们的算法实现了最佳已知（和第一）的错误保证。我们证明了大规模稀疏回归问题的有效性与任意腐败。
2019-05-29 cs.LG math.ST stat.ML
Standard LSParameter Estimators Ensure Finite Convergence Time for Linear Regression Equations Under an Interval Excitation Assumption
本文阐明在区间激励条件下，标准最小二乘估计器能使线性回归方程参数在满足该条件所需时长内有限收敛。
2025-06-09 cs.SY eess.SY math.ST
