Cross-Validation for Correlated Data
相关数据的交叉验证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：摘要讨论一般相关数据的交叉验证，未限定时间序列、面板或金融收益预测，故不凭相关性与预测字样强行分类。
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
相关数据的交叉验证
- 研究问题
- 数据存在相关性时，平方误差下的标准 K 折交叉验证何时适合评估预测误差，不适用时如何修正其偏差？
- 方法与思路
- 作者给出相关数据下标准交叉验证的适用判据，在判据不满足时构造偏差修正估计 CVc，并通过数值研究评估。
- 材料陈述的贡献
- 摘要称 CVc 在许多标准交叉验证无效的设置中给出无偏预测误差估计，所述模拟与真实数据研究显示评估和选择改善。
- 阅读关注点
- 应核对训练与测试目标的相关结构、适用判据及偏差修正量的估计，区分误差估计无偏与模型选择性能改善。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未说明判据和修正公式，无偏性仅覆盖所述设置，不能推广到任意相关数据。
原文摘要
–K-fold cross-validation (CV) with squared error loss is widely used for evaluating predictive models, especially when strong distributional assumptions cannot be taken. However, CV with squared error loss is not free from distributional assumptions, in particular in cases involving non-iid data. This article analyzes CV for correlated data. We present a criterion for suitability of standard CV in presence of correlations. When this criterion does not hold, we introduce a bias corrected CV estimator which we term CVc, that yields an unbiased estimate of prediction error in many settings where standard CV is invalid. We also demonstrate our results numerically, and find that introducing our correction substantially improves both, model evaluation and model selection in simulations and real data studies. Supplementary materials for this article are available online.