A Cross-Validatory Method for Dependent Data
适用于依赖数据的交叉验证方法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：摘要明确以一般平稳观测序列为对象，研究依赖数据的交叉验证，直接对应时间序列方法。
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…
适用于依赖数据的交叉验证方法
- 研究问题
- 当观测构成一般平稳序列时，如何调整交叉验证以减轻训练与测试观测的依赖影响，并补偿删减训练样本的代价？
- 方法与思路
- 作者提出 h-block 交叉验证，移除测试观测前后各 h 个训练观测，令 h 为样本量的固定比例，并加入样本利用不足的补偿项。
- 材料陈述的贡献
- 摘要称，该方法将交叉验证扩展到平稳依赖序列，并通过模拟展示所提修改相较常规交叉验证的优势。
- 阅读关注点
- 应核对 h 的比例选择、补偿项的推导和估计目标，以及模拟中的依赖结构和评价准则是否支持实际序列应用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法确定具体依赖条件、理论保证或模拟改善幅度，也不能断言适用于所有平稳序列。
原文摘要
In this paper we extend the technique of cross-validation to the case where observations form a general stationary sequence. We call it h-block cross-validation, because the idea is to reduce the training set by removing the h observations preceding and following the observation in the test set. We propose taking h to be a fixed fraction of the sample size, and we add a term to our h-block cross-validated estimate to compensate for the underuse of the sample. The advantages of the proposed modification over the cross-validation technique are demonstrated via simulation.