Pooling Versus Ensembling for Ridge Regression Under Covariate Shift
协变量漂移下岭回归的合并与集成比较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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论的是岭回归在协变量漂移与聚类划分下的风险比较，属于统计学习与回归理论，未涉及所给因果推断、面板、时间序列、资产定价等细分领域的直接文本依据。
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
协变量漂移下岭回归的合并与集成比较
- 研究问题
- 摘要研究在仅协变量分布随聚类变化、条件结果模型为线性且不随聚类变化的情形下，按聚类分别训练再集成与在合并数据上拟合单个岭回归之间的风险比较问题，并覆盖包括无岭惩罚在内的所有惩罚参数。
- 方法与思路
- 作者在线性结果模型下对岭正则化最小二乘回归做风险分析，同时考虑固定效应与随机效应两类设定，对合并预测器与各聚类单独最优调参后的集成预测器推导风险表达式并加以比较。
- 材料陈述的贡献
- 摘要称在随机效应设定下，最优调参的合并岭预测器总是优于各聚类分别最优调参的集成；在固定效应下给出合并与集成预测器的一般公式，用以刻画回归系数与预测器分布漂移的作用，并把既有关于 bagging 与随机划分估计的风险分析从独立同分布情形推广到协变量漂移与异质性划分结构。
- 阅读关注点
- 阅读全文时应核对线性结果模型与仅协变量漂移假设的具体表述、固定效应与随机效应的定义与先验设定、最优调参的含义与比较是否在同一准则下进行，以及结论对惩罚参数取值范围的依赖。
- 阅读边界
- 仅凭摘要无法判断推导细节、假设是否可放松、有限样本表现与实证适用性；该文为 arXiv 预印本，尚未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Datasets in many settings naturally partition into clusters arising from sub-populations, batch effects, or aggregation across multiple sources. A common response to such heterogeneity is to ensemble learners trained on each cluster rather than fit a single model to the pooled data. Prior work motivating such approaches has typically considered settings in which both the covariate distribution and the conditional outcome model differ across clusters; the role of cluster-aware partitioning and ensembling based solely on the covariate distribution remains to be explored. We address this case for ridge-regularized least-squares regression under a linear outcome model and consider all ridge penalty values $λ\geq 0$, including the special case of the ridgeless predictor at $λ= 0$. By considering both fixed-effects and random-effects models, we argue that under random effects, an optimally tuned pooled ridge predictor always outperforms ensembles of individually optimally tuned predictors. For fixed effects, we derive a general formula for the pooled and ensembled predictors to characterize the role of both regression coefficients as well as the predictor distribution shifts. Together, these results generalize prior risk analyses of bagging and random-partition estimation using ridge and ridgeless regression predictors from the i.i.d. setting to encompass covariate shift and heterogeneity-aware partition structure.