岭回归

岭回归（英語：ridge regression）是一种在自变量高度相关的情况下估计多元回归模型系数的方法，它已被应用于计量经济学、化学和工程学等许多领域^[1]，也称为吉洪諾夫正则化（英語：Tikhonov regularization）^[2]，以苏联数学家安德烈·吉洪諾夫的名字命名，是一种不适定问题的正则化方法^[a]。对于缓解线性回归中的多重共线性问题特别有用，这种问题通常出现在具有大量参数的模型中^[3]。一般来说，该方法提高了参数估计问题的效率，以换取可容忍的偏差量（参见偏差-方差权衡）^[4]。

该理论最初由Hoerl和Kennard于1970年在他们发表在《Technometrics》上的论文《RIDGE回归：非正交问题的偏差估计》（英語：RIDGE regressions: biased estimation of nonorthogonal problems）和《RIDGE回归：在非正交问题中的应用》（英語：RIDGE regressions: applications in nonorthogonal problems）中引入^[5][6][1] 。

当线性回归模型具有一些多重共线性（高度相关）自变量时^[7]，通过创建岭回归估计器（RR），岭回归被开发为解决最小二乘估计器不精确问题的可能解决方案。这提供了更精确的岭参数估计，因为其方差和均方估计量通常小于先前导出的最小二乘估计量^[8][2]。

参考资料

1. Hilt, Donald E.; Seegrist, Donald W. Ridge, a computer program for calculating ridge regression estimates. 1977 [2023-10-09]. doi:10.5962/bhl.title.68934. （原始内容于2023-02-10）. ^{[页码请求]}
2. Gruber, Marvin. Improving Efficiency by Shrinkage: The James--Stein and Ridge Regression Estimators. CRC Press. 1998: 2 [2023-10-09]. ISBN 978-0-8247-0156-7. （原始内容于2022-05-10）. 
3. Kennedy, Peter. A Guide to Econometrics Fifth. Cambridge: The MIT Press. 2003: 205–206. ISBN 0-262-61183-X. 
4. Gruber, Marvin. Improving Efficiency by Shrinkage: The James–Stein and Ridge Regression Estimators. Boca Raton: CRC Press. 1998: 7–15. ISBN 0-8247-0156-9. 
5. Hoerl, Arthur E.; Kennard, Robert W. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics. 1970, 12 (1): 55–67. JSTOR 1267351. doi:10.2307/1267351. 
6. Hoerl, Arthur E.; Kennard, Robert W. Ridge Regression: Applications to Nonorthogonal Problems. Technometrics. 1970, 12 (1): 69–82. JSTOR 1267352. doi:10.2307/1267352. 
7. Beck, James Vere; Arnold, Kenneth J. Parameter Estimation in Engineering and Science. James Beck. 1977: 287 [2023-10-09]. ISBN 978-0-471-06118-2. （原始内容于2022-04-26）. 
8. Jolliffe, I. T. Principal Component Analysis. Springer Science & Business Media. 2006: 178 [2023-10-09]. ISBN 978-0-387-22440-4. （原始内容于2022-04-18）. 

引证错误：页面中存在<ref group="lower-alpha">标签或{{efn}}模板，但没有找到相应的<references group="lower-alpha" />标签或{{notelist}}模板