Model averaging, asymptotic risk, and regressor groups
模型平均、渐近风险与回归变量分组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：摘要研究通用回归模型平均和风险比较，没有明确预测任务或所列微观、宏观、金融细分结构，故留空。
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
模型平均、渐近风险与回归变量分组
- 研究问题
- 研究按惩罚最小二乘准则选择权重的嵌套模型平均估计，何时具有比非受限最小二乘更低的全局渐近风险。
- 方法与思路
- 作者分析嵌套最小二乘平均估计的渐近风险，推导回归变量分组条件，并通过模拟和回归应用检验分组建议。
- 材料陈述的贡献
- 摘要称同方差下Mallows平均的条件为每组至少四个回归变量；模拟显示此分组相较平均所有嵌套子模型降低均方误差。
- 阅读关注点
- 应核对全局风险比较的渐近框架、分组条件适用的估计量与误差设定，以及分组方式如何影响实际风险。
- 阅读边界
- 仅据所给OpenAlex版本摘要，不能将特定同方差结果推广至任意模型平均或样本；未给数值，不推断刊本变化。
原文摘要
This paper examines the asymptotic risk of nested least-squares averaging estimators when the averaging weights are selected to minimize a penalized least-squares criterion. We find conditions under which the asymptotic risk of the averaging estimator is globally smaller than the unrestricted least-squares estimator. For the Mallows averaging estimator under homoskedastic errors, the condition takes the simple form that the regressors have been grouped into sets of four or larger. This condition is a direct extension of the classic theory of James–Stein shrinkage. This discovery suggests the practical rule that implementation of averaging estimators be restricted to models in which the regressors have been grouped in this manner. Our simulations show that this new recommendation results in substantial reduction in mean-squared error relative to averaging over all nested submodels. We illustrate the method with an application to the regression estimates of Fryer and Levitt (2013).