2019年5月6日，首都经济贸易大学国际经济管理学院副教授李红军作客我院第150期Seminar，分享了题为“A Machine Learning Approach to Weighted Least Squares Estimation”的工作论文。

李红军

 本文认为，在某种意义上，对于具有条件异方差的线性回归模型而言，传统的可行加权最小二乘（WLS）的估计方法并不能令人满意，例如会出现参数方法的错误指定问题；或者非参数方法下，有限样本性能较差的问题。因此，在本文中，李红军老师提出了一种机器学习的方法来估计WLS参数，利用这种方法可以比传统的非参数方法具有更好的有限样本性能，同时能够避免错误指定条件方差的问题。

与非参数的估计相类似，这个方法需要两个步骤，第一步是使用机器学习的工具来估计条件方差，第二步则是通过插入未知的方差，并使用可行的WLS来估计线性系数。本文证明新的估计量是一致的，且满足渐进正态分布。此外，本文还使用了kernel ridge regression证明了上述方法在有限样本下的性能。