Asymptotic optimality and efficient computation of the leave-subject-out cross-validation
留受试者交叉验证的渐近最优性与高效计算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：摘要明确处理纵向数据及受试者内相关结构，与面板和重复观测方法直接相关。
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
留受试者交叉验证的渐近最优性与高效计算
- 研究问题
- 纵向数据模型中，留受试者交叉验证能否有效选择多个调节参数，并在理论上接近最小化经验平方误差损失的选择？
- 方法与思路
- 作者聚焦惩罚样条，建立留受试者交叉验证的渐近等价性，并开发 Newton 型算法优化惩罚参数，辅以模拟和真实数据。
- 材料陈述的贡献
- 摘要称，该交叉验证与经验平方误差损失最小化渐近等价，算法便于计算，并展示选择惩罚参数及工作相关矩阵的效果。
- 阅读关注点
- 应核对按受试者划分验证集的方式、渐近等价性的条件与损失定义，以及多个惩罚参数和工作相关矩阵如何选择。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能将惩罚样条下的结论推广到所有纵向模型，也不能量化算法加速或有限样本优势。
原文摘要
Although the leave-subject-out cross-validation (CV) has been widely used in practice for tuning parameter selection for various nonparametric and semiparametric models of longitudinal data, its theoretical property is unknown and solving the associated optimization problem is computationally expensive, especially when there are multiple tuning parameters. In this paper, by focusing on the penalized spline method, we show that the leave-subject-out CV is optimal in the sense that it is asymptotically equivalent to the empirical squared error loss function minimization. An efficient Newton-type algorithm is developed to compute the penalty parameters that optimize the CV criterion. Simulated and real data are used to demonstrate the effectiveness of the leave-subject-out CV in selecting both the penalty parameters and the working correlation matrix.