Variable selection for the single-index model
单指标模型的变量选择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：摘要属于通用单指标回归与变量选择，未明确涉及离散选择、宏观预测或金融收益预测。
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…
单指标模型的变量选择
- 研究问题
- 单指标模型中，常用留出多个观测的交叉验证为何可能表现不同，如何构造兼顾选择一致性、预测能力与计算成本的方法？
- 方法与思路
- 作者分析留出多个观测的交叉验证在单指标模型中的行为，提出分离式交叉验证，并在两组实际数据中进行变量选择。
- 材料陈述的贡献
- 摘要称新方法具有选择一致性，进一步分析支持其有限样本与计算表现，并报告选变量模型在两个案例中的预测改善。
- 阅读关注点
- 应核对分离式交叉验证如何划分估计与选择任务、一致性所需条件，以及比较方法的调参与样本外预测评价设计。
- 阅读边界
- 材料为版本未注明的索引摘要，未提供分割规则、数值结果或优势范围；两个案例不能证明普遍改善或刊本变化。
原文摘要
We consider variable selection in the single-index model. We prove that the popular leave-m-out crossvalidation method has different behaviour in the single-index model from that in linear regression models or nonparametric regression models. A new consistent variable selection method, called separated crossvalidation, is proposed. Further analysis suggests that the method has better finite-sample performance and is computationally easier than leave-m-out crossvalidation. Separated crossvalidation, applied to the Swiss banknotes data and the ozone concentration data, leads to single-index models with selected variables that have better prediction capability than models based on all the covariates.