Model Averaging for Prediction With Fragmentary Data
利用碎片化数据进行预测的模型平均方法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。
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：摘要讨论一般协变量缺失下的预测与个人收入示例，没有明确对应宏观预测、金融收益预测或其他给定细分。
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…
利用碎片化数据进行预测的模型平均方法
- 研究问题
- 多个数据源中部分个体缺少不同协变量时，如何利用现有信息开展预测，并为候选模型分配权重以应对这种碎片化数据？
- 方法与思路
- 作者用频率学派模型平均整合候选模型，各模型利用可用的协变量数据拟合，再以完整观测样本的留一交叉验证选择权重。
- 材料陈述的贡献
- 摘要称所选权重在一定条件下具有最优性，并以模拟检验有限样本表现；中国财富管理网络社区的个人收入预测用于实证说明。
- 阅读关注点
- 应核对碎片化观测模式、完整个案在权重选择中的作用、最优性的风险基准与条件，以及完整个案不足时的稳定性。
- 阅读边界
- 摘要未说明缺失机制、完整个案比例或最优性条件；个人收入预测例子只提供应用说明，不能据此认定对任意缺失模式都有效。
原文摘要
One main challenge for statistical prediction with data from multiple sources is that not all the associated covariate data are available for many sampled subjects. Consequently, we need new statistical methodology to handle this type of “fragmentary data” that has become more and more popular in recent years. In this article, we propose a novel method based on the frequentist model averaging that fits some candidate models using all available covariate data. The weights in model averaging are selected by delete-one cross-validation based on the data from complete cases. The optimality of the selected weights is rigorously proved under some conditions. The finite sample performance of the proposed method is confirmed by simulation studies. An example for personal income prediction based on real data from a leading e-community of wealth management in China is also presented for illustration.