Adaptive Modeling Procedure Selection by Data Perturbation
基于数据扰动的自适应建模程序选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论通用线性回归的自适应选模，商品价格预测应用不足以明确对应宏观预测或收益预测，细分依据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于数据扰动的自适应建模程序选择
- 研究问题
- 高维线性回归中，如何同时计入模型选择和参数估计的不确定性，并根据数据与模型空间自适应选择建模程序，兼顾选模一致性与预测表现？
- 方法与思路
- 作者以数据扰动评估建模不确定性，在回归框架下推导随数据、模型空间等因素变化的最优扰动幅度，再据此构造自适应的模型选择方法。
- 材料陈述的贡献
- 摘要称理论与数值分析支持该方法在不同情形下实现一致选模与最优预测，无需预先知道情形；商品市场应用中，其价格预测精度优于所比较方法。
- 阅读关注点
- 核对扰动分布与最优幅度的目标函数、区分不同情形的条件、选模一致性及最优预测的定义，并查看商品预测的样本划分、指标和比较方法。
- 阅读边界
- 摘要未说明“最优”的具体准则、适用模型空间或预测评估细节；所述优势来自作者报告的特定比较，不能据此认定对所有高维问题均更好。
原文摘要
Many procedures have been developed to deal with the high-dimensional problem that is emerging in various business and economics areas. To evaluate and compare these procedures, modeling uncertainty caused by model selection and parameter estimation has to be assessed and integrated into a modeling process. To do this, a data perturbation method estimates the modeling uncertainty inherited in a selection process by perturbing the data. Critical to data perturbation is the size of perturbation, as the perturbed data should resemble the original dataset. To account for the modeling uncertainty, we derive the optimal size of perturbation, which adapts to the data, the model space, and other relevant factors in the context of linear regression. On this basis, we develop an adaptive data-perturbation method that, unlike its nonadaptive counterpart, performs well in different situations. This leads to a data-adaptive model selection method. Both theoretical and numerical analysis suggest that the data-adaptive model selection method adapts to distinct situations in that it yields consistent model selection and optimal prediction, without knowing which situation exists a priori. The proposed method is applied to real data from the commodity market and outperforms its competitors in terms of price forecasting accuracy.