Model Selection Via Multifold Cross Validation
通过多重划分交叉验证进行模型选择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：摘要涉及通用线性回归模型选择与交叉验证，未提供宏观或金融预测方向的直接依据。
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
通过多重划分交叉验证进行模型选择
- 研究问题
- 在线性回归变量选择中，从留一法扩展到同时删除多个观测的交叉验证，会如何影响选择准则、计算可行性与小样本表现？
- 方法与思路
- 作者讨论删除多个观测的交叉验证，研究其与最终预测误差准则的渐近关系，并比较多折及重复训练—测试方法。
- 材料陈述的贡献
- 摘要称删除d个观测的准则与最终预测误差准则渐近等价，并研究两种更易计算的方法，通过模拟考察小样本性质。
- 阅读关注点
- 应核对删除数量和折数随样本量的设定、渐近等价的条件，以及不同方法的比较目标是预测误差还是变量选择正确性。
- 阅读边界
- 依据OpenAlex索引摘要，稿件版本未注明；摘要未报告模拟数值或最优折数，不能由渐近等价推断有限样本表现完全相同。
原文摘要
A natural extension of the simple leave-one-out cross validation (CV) method is to allow the deletion of more than one observations. In this article, several notions of the multifold cross validation (MCV) method have been discussed. In the context of variable selection under a linear regression model, we show that the delete-d MCV criterion is asymptotically equivalent to the well known FPE criterion. Two computationally more feasible methods, the r-fold cross validation and the repeated learning-testing criterion, are also studied. The performance of these criteria are compared with the simple leave-one-out cross validation method. Simulation results are obtained to gain some understanding on the small sample properties of these methods.