Jackknife model averaging
刀切法模型平均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：摘要讨论通用模型平均与条件均值估计，未提供足以归入所列具体领域的证据。
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
刀切法模型平均
- 研究问题
- 在候选模型可能错设、彼此非嵌套且误差异方差时，如何选择模型平均权重，以改善未知条件均值的估计？
- 方法与思路
- 作者提出刀切法模型平均，通过最小化交叉验证准则选择权重；准则对权重为二次式，因此可用二次规划计算。
- 材料陈述的贡献
- 摘要称，估计量在期望平方误差意义下渐近最优，模拟与示例应用显示异方差下相对既有选择和平均方法的效率收益。
- 阅读关注点
- 应核对权重约束、交叉验证准则的具体构造、渐近最优性的比较集合，以及模型数量和错设程度受到哪些限制。
- 阅读边界
- 仅据所给出版社摘要，无法判断最优性所需条件、效率收益的幅度或适用范围；摘要未给出模拟设计及应用细节。
原文摘要
We consider the problem of obtaining appropriate weights for averaging M approximate (misspecified) models for improved estimation of an unknown conditional mean in the face of non-nested model uncertainty in heteroskedastic error settings. We propose a “jackknife model averaging” (JMA) estimator which selects the weights by minimizing a cross-validation criterion. This criterion is quadratic in the weights, so computation is a simple application of quadratic programming. We show that our estimator is asymptotically optimal in the sense of achieving the lowest possible expected squared error. Monte Carlo simulations and an illustrative application show that JMA can achieve significant efficiency gains over existing model selection and averaging methods in the presence of heteroskedasticity.