Weighted-Average Least Squares for Negative Binomial Regression
负二项回归的加权平均最小二乘法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：摘要聚焦计数回归的模型平均与预测，未明确涉及所列的因果、面板、离散选择或宏观金融细分方向。
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…
关注这篇论文的作者
负二项回归的加权平均最小二乘法
- 研究问题
- 面对过度离散计数数据和协变量选择的不确定性，如何在模型空间随变量数迅速增长时进行计算可行的模型平均？
- 方法与思路
- 作者将广义线性模型中的加权平均最小二乘法 WALS 扩展到负二项回归，利用回归变量的半正交变换降低计算负担。
- 材料陈述的贡献
- 摘要称，模拟和就诊次数应用中，负二项 WALS 在稀疏情境下优于最大似然，与 lasso 的预测表现相当且计算更高效。
- 阅读关注点
- 应核对模型平均权重及先验的设定、离散参数的处理、稀疏情境的定义，以及预测比较是否采用一致的调参与评价规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未提供预测指标、计算耗时或实验细节，不能据此判断普遍优势。
原文摘要
Model averaging methods have become an increasingly popular tool for improving predictions and dealing with model uncertainty, especially in Bayesian settings. Recently, frequentist model averaging methods such as information theoretic and least squares model averaging have emerged. This work focuses on the issue of covariate uncertainty where managing the computational resources is key: The model space grows exponentially with the number of covariates such that averaged models must often be approximated. Weighted-average least squares (WALS), first introduced for (generalized) linear models in the econometric literature, combines Bayesian and frequentist aspects and additionally employs a semiorthogonal transformation of the regressors to reduce the computational burden. This paper extends WALS for generalized linear models to the negative binomial (NB) regression model for overdispersed count data. A simulation experiment and an empirical application using data on doctor visits were conducted to compare the predictive power of WALS for NB regression to traditional estimators. The results show that WALS for NB improves on the maximum likelihood estimator in sparse situations and is competitive with lasso while being computationally more efficient.