Linear Model Selection When Covariates Contain Errors
协变量含测量误差时的线性模型选择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：摘要讨论通用线性模型的预测选择，未明确涉及宏观预测或金融收益预测。
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…
协变量含测量误差时的线性模型选择
- 研究问题
- 当协变量存在测量误差、无法直接用观测数据评价预测误差时，如何选择适合未来可获得无误差协变量的预测模型？
- 方法与思路
- 作者利用含测量误差线性回归模型的特殊矩关系，绕过直接预测评价的困难，构造以预测误差最小化为目标的模型选择程序。
- 材料陈述的贡献
- 摘要称，程序渐近选择预测误差最小的模型；若真实回归关系为线性，则选择最小正确模型，并达到经典无误差情形的相应最优性质。
- 阅读关注点
- 核对矩关系成立的测量误差条件、所评价的预测目标、候选模型集合，以及预测最优与最小正确模型两类结论的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未给出误差信息要求或最优性条件；其应用场景明确涉及未来无测量误差的协变量。
原文摘要
Prediction precision is arguably the most relevant criterion of a model in practice and is often a sought after property. A common difficulty with covariates measured with errors is the impossibility of performing prediction evaluation on the data even if a model is completely given without any unknown parameters. We bypass this inherent difficulty by using special properties on moment relations in linear regression models with measurement errors. The end product is a model selection procedure that achieves the same optimality properties that are achieved in classical linear regression models without covariate measurement error. Asymptotically, the procedure selects the model with the minimum prediction error in general, and selects the smallest correct model if the regression relation is indeed linear. Our model selection procedure is useful in prediction when future covariates without measurement error become available, e.g., due to improved technology or better management and design of data collection procedures.