Regression model
普通最小二乘法 (OLS)
Ordinary Least Squares (OLS) 是估计线性回归模型参数的典型方法，它通过最小化观测值与预测值之间差异的平方和来实现。OLS 由 Adrien-Marie Legendre 于 1805 年首次发表，并由 Carl Friedrich Gauss 独立开发（后者声称自 1795 年起就已掌握），根据高斯-马尔可夫定理，OLS 是可证明最优的：在满足其假设的条件下，它能产生回归系数的最佳线性无偏估计量 (BLUE)。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Legendre, A.-M. (1805). Nouvelles méthodes pour la détermination des orbites des comètes. Firmin Didot, Paris. [Appendix: Sur la Méthode des moindres quarrés, pp. 72–80.] link ↗
- Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Perthes & Besser, Hamburg. link ↗
- Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860
- Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson. ISBN: 978-0134461366
如何引用本页
ScholarGate. (2026, June 3). Ordinary Least Squares Regression. ScholarGate. https://scholargate.app/zh/statistics/ordinary-least-squares
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 广义最小二乘法 (GLS)统计学↔ 比较
- 因果推断的工具变量（IV）方法卫生经济学↔ 比较
- Lasso 回归机器学习↔ 比较
- 多元线性回归统计学↔ 比较
- 岭回归（Ridge Regression）机器学习↔ 比较
- 稳健回归统计学↔ 比较
- 简单线性回归统计学↔ 比较
- 加权最小二乘法 (WLS)统计学↔ 比较