Predicting future responses based on possibly mis-specified working models
基于可能误设的工作模型预测未来响应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：摘要研究一般回归预测区间，未限定宏观预测、收益预测或其他所列应用细分。
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
基于可能误设的工作模型预测未来响应
- 研究问题
- 当回归工作模型可能误设时，如何为未来响应构造在目标协变量集合上具有所需平均覆盖率的预测区间或区域？
- 方法与思路
- 作者提出无条件预测程序，进行经验校准并构造交叉验证版本，分析大小样本性质，并展示连续与二元响应的实例。
- 材料陈述的贡献
- 摘要称，模型误设时传统条件预测通常失效，而所提无条件方法可校准；其数值分析报告折交叉验证版本在小样本中表现良好。
- 阅读关注点
- 应核对协变量集合上的平均覆盖如何定义、最优性准则与校准步骤，并检查交叉验证的样本划分和模型误设情景。
- 阅读边界
- 依据版本未注明的索引摘要；平均覆盖不直接保证每个协变量点的条件覆盖，最优性条件与小样本数值表现未详述。
原文摘要
Under a general regression setting, we propose an optimal unconditional prediction procedure for future responses. The resulting prediction intervals or regions have a desirable average coverage level over a set of covariate vectors of interest. When the working model is not correctly specified, the traditional conditional prediction method is generally invalid. On the other hand, one can empirically calibrate the above unconditional procedure and also obtain its crossvalidated counterpart. Various large and small sample properties of these unconditional methods are examined analytically and numerically. We find that the 𝒦-fold crossvalidated procedure performs exceptionally well even for cases with rather small sample sizes. The new proposals are illustrated with two real examples, one with a continuous response and the other with a binary outcome.