Prediction Using Many Samples with Models Possibly Containing Partially Shared Parameters
利用可能部分共享参数的多样本模型进行预测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：摘要主要讨论通用多样本预测；信用卡违约应用不足以对应给定的宏观预测、收益预测或尾部风险方向。
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…
利用可能部分共享参数的多样本模型进行预测
- 研究问题
- 当主模型与多个辅助模型可能共享部分协变量效应时，如何利用不同结构的样本改善主模型预测，并避免错误辅助模型的影响？
- 方法与思路
- 作者提出模型平均预测程序，将主模型和辅助模型的数据共同用于预测，允许数据结构不同但部分协变量效应相同。
- 材料陈述的贡献
- 摘要称主模型误设时可得到预测意义下的最优权重，主模型正确时渐近排除错误辅助模型，并提供模拟及信用卡违约应用。
- 阅读关注点
- 应核对共享参数的判定方式、权重优化的损失函数、不同样本间的条件，以及排除错误模型结论的适用范围。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；最优性和渐近筛除的具体条件未说明，模拟优势也不能直接推广至其他任务。
原文摘要
We consider prediction based on a main model. When the main model shares partial parameters with several other helper models, we make use of the additional information. Specifically, we propose a Model Averaging Prediction (MAP) procedure that takes into account data related to the main model as well as data related to the helper models. We allow the data related to different models to follow different structures, as long as they share some common covariate effect. We show that when the main model is misspecified, MAP yields the optimal weights in terms of prediction. Further, if the main model is correctly specified, then MAP will automatically exclude all incorrect helper models asymptotically. Simulation studies are conducted to demonstrate the superior performance of MAP. We further implement MAP to analyze a dataset related to the probability of credit card default.