Optimal Model Averaging of Mixed-Data Kernel-Weighted Spline Regressions
混合数据核加权样条回归的最优模型平均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：摘要核心是通用回归模型平均；时间序列预测仅作为历史背景，未明确足以归类的具体应用方向。
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…
混合数据核加权样条回归的最优模型平均
- 研究问题
- 面对连续与类别混合预测变量，以及非嵌套、异方差候选模型，如何构造模型平均估计，并在平均后进行有效推断？
- 方法与思路
- 作者在类别回归样条上提出频率学派模型平均程序，允许混合数据预测变量及非嵌套、异方差候选模型，并发展平均后推断。
- 材料陈述的贡献
- 摘要称建立模型平均估计的渐近最优性和平均后推断理论；有限样本及应用比较展示表现，并提及可用的 R 包。
- 阅读关注点
- 应核对平均权重的选择准则、最优性的损失函数、平均后推断对象，以及非嵌套和异方差条件如何进入理论。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，应用中的优于选择准则不能推广为普遍优势；具体条件与软件细节未说明，未核对刊本变化。
原文摘要
Model averaging has a rich history dating from its use for combining forecasts from time-series models (Bates and Granger) and presents a compelling alternative to model selection methods. We propose a frequentist model averaging procedure defined over categorical regression splines (Ma, Racine, and Yang) that allows for mixed-data predictors, as well as nonnested and heteroscedastic candidate models. We demonstrate the asymptotic optimality of the proposed model averaging estimator, and develop a post-averaging inference theory for it. Theoretical underpinnings are provided, finite-sample performance is evaluated, and an empirical illustration reveals that the method is capable of outperforming a range of popular model selection criteria in applied settings. An R package is available for practitioners (Racine).