False Models and Post-Data Model Construction
错误模型与数据分析后的模型构建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：摘要讨论一般回归中的数据依赖建模和证据折减，未指定所列领域的应用或模型。
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
错误模型与数据分析后的模型构建
- 研究问题
- 当线性回归模型是在部分查看数据之后才构建的，如何折减其证据强度，以处理由数据依赖的模型构建带来的推断问题？
- 方法与思路
- 作者借助正式决策理论中的事前模型简化问题，将事后建模解释为数据依赖的决策，并利用其分析结果提出证据折减方法。
- 材料陈述的贡献
- 摘要称提出了一种处理事后线性回归建模证据的方法，并说明正式决策分析的折减含义可用于约束较非正式的数据分析。
- 阅读关注点
- 应核对证据折减的具体定义、损失与观察成本如何进入决策问题，以及正式分析怎样转化为非正式事后建模的操作规则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出折减公式、适用条件或误差控制结论，不能将其视为普遍有效的校正。
原文摘要
This article proposes a method of discounting evidence when linear regression models are constructed after the data have been partially analyzed. The solution parallels a formal decision theoretic analysis of a presimplification problem in which models or model spaces are simplified before observation in order to avoid observation or processing costs. Post-data model construction is interpreted as the data-dependent decision that this pre-simplification is undesirable. The discounting implications of this formal analysis may then be used to police data analyses with less formal post-data model construction.