Frequentist Model Average Estimators
频率学派模型平均估计量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：摘要讨论一般模型选择与平均理论，未明确针对预测、收益或其他所列细分对象。
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
频率学派模型平均估计量
- 研究问题
- 如何同时刻画模型选择后的额外不确定性与建模偏差，并比较选择后估计和模型平均估计的极限分布及风险？
- 方法与思路
- 作者建立大样本似然框架，将竞争的模型平均方案放入由少数关键量描述的统计原型实验中进行比较。
- 材料陈述的贡献
- 摘要称该框架描述选择后与平均估计的分布和风险，联系贝叶斯模型平均与广义岭估计，并导出新选择准则。
- 阅读关注点
- 应核对候选模型关系、建模偏差的渐近设定、平均权重和风险准则，以及置信区间如何处理模型选择不确定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体渐近条件、权重规则和应用结果未提供，不能保证所有区间均改善。
原文摘要
The traditional use of model selection methods in practice is to proceed as if the final selected model had been chosen in advance, without acknowledging the additional uncertainty introduced by model selection. This often means underreporting of variability and too optimistic confidence intervals. We build a general large-sample likelihood apparatus in which limiting distributions and risk properties of estimators post-selection as well as of model average estimators are precisely described, also explicitly taking modeling bias into account. This allows a drastic reduction in complexity, as competing model averaging schemes may be developed, discussed, and compared inside a statistical prototype experiment where only a few crucial quantities matter. In particular, we offer a frequentist view on Bayesian model averaging methods and give a link to generalized ridge estimators. Our work also leads to new model selection criteria. The methods are illustrated with real data applications.