Admissible variable-selection procedures when fitting regression models by least squares for prediction
最小二乘预测回归中变量选择程序的可容许性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：摘要研究通用回归预测的决策理论，未涉及宏观预测或金融收益预测，故不按 prediction 一词分类。
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
最小二乘预测回归中变量选择程序的可容许性
- 研究问题
- 在单一因变量的正态线性回归中，通过选择解释变量子集确定最小二乘拟合时，各种选择程序是否在预测平方误差下可容许？
- 方法与思路
- 作者把变量选择程序视为决定解释变量子集及相应最小二乘拟合的规则，在预测平方误差损失下开展可容许性分析。
- 材料陈述的贡献
- 摘要称证明所有变量选择程序在选择回归模型的最小二乘拟合时均可容许；该结论限定于摘要所述模型、损失与决策任务。
- 阅读关注点
- 核对预测目标、设计矩阵与参数空间，以及竞争程序或估计量的允许范围，明确“所有程序”和“可容许”的准确限定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；可容许性不表示各程序预测表现相同或最优，也不能推广到所有估计方法和损失函数。
原文摘要
Given data with a single dependent variable arising from a normal linear regression model, a variable-selection procedure completely specifies a least squares fit by choosing the subset of the independent variables to include in the model. For loss equal to squared error of prediction, we prove that all variable-selection procedures are admissible for choosing among least-squares fits of the regression model.