Cross-Validation, the Bayes Theorem, and Small-Sample Bias
交叉验证、贝叶斯定理与小样本偏差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：摘要讨论通用模型选择、交叉验证与贝叶斯后验赔率，未出现足以支持给定应用领域细分的具体模型或研究对象。
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
交叉验证、贝叶斯定理与小样本偏差
- 研究问题
- 交叉验证用于模型选择时，样本拆分和重抽样所得的后验赔率为何与精确贝叶斯后验赔率出现系统偏差，如何加以修正？
- 方法与思路
- 作者细查交叉验证的贝叶斯解释，分别分析样本拆分与重抽样程序对后验赔率的影响，并针对这些偏差提出修正方法。
- 材料陈述的贡献
- 摘要称，样本拆分会使交叉验证后验赔率系统偏离精确后验赔率；模型维度不同时，重抽样也会产生偏离，作者提出相应补救方法。
- 阅读关注点
- 重点核对两类偏差的推导条件、模型维度如何进入比较、修正方法的具体构造，以及修正后赔率与精确后验赔率的关系。
- 阅读边界
- 摘要未说明偏差的方向与大小、修正方法的公式或有限样本验证，不能据此判断各类模型选择任务中的实际改进幅度。
原文摘要
Researchers in many fields of business are beginning to use cross-validatory techniques to choose between alternative models. In marketing, a Bayesian interpretation of the technique has been proposed. This article examines the Bayesian link in more detail and shows that cross-validatory posterior odds exhibit a systematic departure from exact posterior odds when sample-splitting procedures are employed. Resampling procedures also exhibit a systematic departure when the dimensions of the models differ. Methods of overcoming these biases are proposed.