OLS
普通最小二乘法（Ordinary Least Squares）是一种经典的线性回归估计方法，通过最小化残差平方和来拟合模型参数，是统计学与机器学习中最基础的回归技术之一
时间轴 (近 90 天)
在智能手机行为预测人格的案例中，按公式事前估算，OLS的期望样本外R²不足以超过样本均值基线（即小于等于0），而岭回归的期望表现能够超越该基线。
当协变量存在不平衡或偏态时，某些观测点成为高杠杆点，对回归系数产生不成比例的影响，导致即便N和p相同，样本外预测表现也可能相差甚远。
在OLS中，杠杆值由帽子矩阵H = X(XᵀX)⁻¹Xᵀ的对角元素h_ii给出，满足0 ≤ h_ii ≤ 1且Σh_ii = p+1（含截距时）。
论文的分析框架基于留一交叉验证（LOOCV），分别推导了OLS和岭回归的期望样本外表现。
在OLS中，LOOCV残差可写成e_i/(1-h_ii)，其中h_ii正是杠杆值，这解释了为何D*会自然进入期望样本外表现的公式。
委托认证使智能体对语义模型、报表的访问范围以及 RLS 和 OLS 限制都与登录用户一致，无法绕过安全策略
OLS 控制用户能否看到特定的表或列，被 OLS 隐藏的列连字段名称都不会暴露
违反同方差假设后，OLS 参数估计仍无偏，但不再具有最小方差，且标准误差估计会出错
高斯-马尔科夫定理指出，在误差项满足零均值、同方差、不相关三个条件时，OLS估计量是最佳线性无偏估计量（BLUE）
全部知识事实 (9)
当协变量存在不平衡或偏态时，某些观测点成为高杠杆点，对回归系数产生不成比例的影响，导致即便N和p相同，样本外预测表现也可能相差甚远。
50%待验证在OLS中，杠杆值由帽子矩阵H = X(XᵀX)⁻¹Xᵀ的对角元素h_ii给出，满足0 ≤ h_ii ≤ 1且Σh_ii = p+1（含截距时）。
50%待验证论文的分析框架基于留一交叉验证（LOOCV），分别推导了OLS和岭回归的期望样本外表现。
50%待验证在OLS中，LOOCV残差可写成e_i/(1-h_ii)，其中h_ii正是杠杆值，这解释了为何D*会自然进入期望样本外表现的公式。
50%待验证OLS 控制用户能否看到特定的表或列，被 OLS 隐藏的列连字段名称都不会暴露
50%待验证委托认证使智能体对语义模型、报表的访问范围以及 RLS 和 OLS 限制都与登录用户一致，无法绕过安全策略
50%待验证违反同方差假设后，OLS 参数估计仍无偏，但不再具有最小方差，且标准误差估计会出错
50%待验证高斯-马尔科夫定理指出，在误差项满足零均值、同方差、不相关三个条件时，OLS估计量是最佳线性无偏估计量（BLUE）
50%待验证在智能手机行为预测人格的案例中，按公式事前估算，OLS的期望样本外R²不足以超过样本均值基线（即小于等于0），而岭回归的期望表现能够超越该基线。
50%