A NEW STUDY ON ASYMPTOTIC OPTIMALITY OF LEAST SQUARES MODEL AVERAGING
最小二乘模型平均渐近最优性的新研究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：摘要讨论通用回归模型平均的预测损失理论，未明确涉及宏观预测、收益预测或特定数据结构，故不按预测字样强行分类。
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
最小二乘模型平均渐近最优性的新研究
- 研究问题
- 如何在更一般的权重集合与较易解释的假设下，证明最小二乘模型平均达到候选平均估计量中尽可能小的大样本预测损失？
- 方法与思路
- 作者提出新的渐近最优性证明思路，使用一般权重集合，不对最大选择风险施加假设，并允许比已有研究更多的回归变量。
- 材料陈述的贡献
- 摘要称研究放宽了常见权重限制并改善假设的可解释性，为最小二乘模型平均提供更一般的渐近预测损失最优性论证。
- 阅读关注点
- 应核对权重集合、预测损失与候选模型的定义，回归变量数量如何随样本增长，以及新假设与既有假设的具体关系。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体假设和允许的维度增长速率未说明，渐近最优性不能代替有限样本保证，也不能推断刊本变化。
原文摘要
In this article, we present a comprehensive study of asymptotic optimality of least squares model averaging methods. The concept of asymptotic optimality is that in a large-sample sense, the method results in the model averaging estimator with the smallest possible prediction loss among all such estimators. In the literature, asymptotic optimality is usually proved under specific weights restriction or using hardly interpretable assumptions. This article provides a new approach to proving asymptotic optimality, in which a general weight set is adopted, and some easily interpretable assumptions are imposed. In particular, we do not impose any assumptions on the maximum selection risk and allow a larger number of regressors than that of existing studies.