The Influence of Nuisance Parameter Uncertainty on Statistical Inference in Practical Data Science Models
干扰参数不确定性对实用数据科学模型统计推断的影响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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要将 GARCH 时间序列模型作为主要示例，直接涉及条件波动率模型的参数推断。
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
干扰参数不确定性对实用数据科学模型统计推断的影响
- 研究问题
- 当部分模型参数由其他来源估计或与主要参数分开处理时，如何把干扰参数自身的不确定性计入主要参数的置信区域，避免低估总体误差？
- 方法与思路
- 作者使用已有的干扰参数不确定性理论调整主要参数置信区域，并在具有单个干扰参数的 GARCH 模型和具有多个干扰参数的前馈神经网络中展示。
- 材料陈述的贡献
- 摘要称，论文将干扰参数不确定性调整落实到两类模型，并验证调整后置信区域的实用效果，使推断能够更完整地反映参数估计的不确定性。
- 阅读关注点
- 应核对干扰参数来源、其估计误差与主要样本的依赖关系、置信区域调整公式，以及验证是否考察覆盖率、区域大小和模型误设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出调整有效的具体条件、验证设计或数值结果，无法判断其对不同训练流程的适用性。
原文摘要
For multiple reasons -- such as avoiding overtraining from one data set or because of having received numerical estimates for some parameters in a model from an alternative source -- it is sometimes useful to divide a model's parameters into one group of primary parameters and one group of nuisance parameters. However, uncertainty in the values of nuisance parameters is an inevitable factor that impacts the model's reliability. This paper examines the issue of uncertainty calculation for primary parameters of interest in the presence of nuisance parameters. We illustrate a general procedure on two distinct model forms: 1) the GARCH time series model with univariate nuisance parameter and 2) multiple hidden layer feed-forward neural network models with multivariate nuisance parameters. Leveraging an existing theoretical framework for nuisance parameter uncertainty, we show how to modify the confidence regions for the primary parameters while considering the inherent uncertainty introduced by nuisance parameters. Furthermore, our study validates the practical effectiveness of adjusted confidence regions that properly account for uncertainty in nuisance parameters. Such an adjustment helps data scientists produce results that more honestly reflect the overall uncertainty.