Optimal Model Averaging Estimation for Generalized Linear Models and Generalized Linear Mixed-Effects Models
广义线性模型与广义线性混合效应模型的最优模型平均估计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：摘要讨论一般广义线性及混合效应模型的平均估计，未指明离散选择、面板或宏观金融对象，领域证据不足。
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…
广义线性模型与广义线性混合效应模型的最优模型平均估计
- 研究问题
- 在广义线性模型及其混合效应扩展中，如何选择模型平均权重，使估计在给定损失标准下具备渐近最优性？
- 方法与思路
- 作者以带惩罚项的 KL 损失构造权重选择准则，讨论其与连续观测下 Mallows 准则的关系，并扩展至混合效应模型。
- 材料陈述的贡献
- 摘要称在一定假设下证明模型平均估计的渐近最优性，建立混合效应模型相关理论，并用数值实验展示方法潜力。
- 阅读关注点
- 应核对候选模型集合、KL 风险与惩罚项的定义，以及最优性比较对象、适用假设和混合效应积分的计算方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近最优性的具体假设与数值结果未说明，不能将理论最优性等同于有限样本普遍优势或刊本变化。
原文摘要
Considering model averaging estimation in generalized linear models, we propose a weight choice criterion based on the Kullback–Leibler (KL) loss with a penalty term. This criterion is different from that for continuous observations in principle, but reduces to the Mallows criterion in the situation. We prove that the corresponding model averaging estimator is asymptotically optimal under certain assumptions. We further extend our concern to the generalized linear mixed-effects model framework and establish associated theory. Numerical experiments illustrate that the proposed method is promising.