Model averaging prediction by K-fold cross-validation
基于 K 折交叉验证的模型平均预测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：摘要讨论通用模型平均预测，信用卡违约例子不直接对应所列的收益预测或尾部与系统性风险方向。
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 K 折交叉验证的模型平均预测
- 研究问题
- 在准似然框架中存在参数不确定性和模型错设时，如何通过 K 折交叉验证选择模型平均权重并控制预测风险？
- 方法与思路
- 作者通过最小化 K 折交叉验证准则确定数据驱动权重，分别分析候选模型全部错设及含正确设定模型的情况。
- 材料陈述的贡献
- 摘要称，全部错设时预测渐近最优，存在正确模型时权重渐近集中于它们；模拟与信用卡违约预测展示方法表现。
- 阅读关注点
- 应核对准似然损失与目标风险的对应、交叉验证抽样条件、最优性的比较集合，以及模拟和违约预测中的基准设置。
- 阅读边界
- 所给 RePEc 出版社摘要未说明理论条件或风险改善数值；信用卡违约预测并不直接提供收益预测或系统性风险结论。
原文摘要
This paper considers the model averaging prediction in a quasi-likelihood framework that allows for parameter uncertainty and model misspecification. We propose an averaging prediction that selects the data-driven weights by minimizing a K-fold cross-validation. We provide two theoretical justifications for the proposed method. First, when all candidate models are misspecified, we show that the proposed averaging prediction using K-fold cross-validation weights is asymptotically optimal in the sense of achieving the lowest possible prediction risk. Second, when the model set includes correctly specified models, we demonstrate that the proposed K-fold cross-validation asymptotically assigns all weights to the correctly specified models. Monte Carlo simulations show that the proposed averaging prediction achieves lower empirical risk than other existing model averaging methods. As an empirical illustration, the proposed method is applied to credit card default prediction.