FROM MODEL SELECTION TO MODEL AVERAGING: A COMPARISON FOR NESTED LINEAR MODELS
从模型选择到模型平均：嵌套线性模型的比较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：摘要以通用嵌套线性模型的风险比较为核心，自相关误差本身不足以确定特定时间序列或应用方向。
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…
关注这篇论文的作者
从模型选择到模型平均：嵌套线性模型的比较
- 研究问题
- 在嵌套线性回归中，模型平均相对模型选择的风险优势何时具有实质意义，并如何受到误差结构和权重集合影响？
- 方法与思路
- 作者在允许异方差、自相关误差及稀疏系数的嵌套框架中比较模型选择与模型平均，并进一步比较不同权重集合。
- 材料陈述的贡献
- 摘要称在某些条件下，模型平均可显著改善模型选择的表现；理论扩展至更一般的嵌套回归，并由多种模拟设定说明。
- 阅读关注点
- 应核对风险指标、oracle 与可实施方法的区别、显著改进的具体条件，以及权重约束和稀疏性如何影响比较。
- 阅读边界
- 仅据所给 Crossref 版本摘要，改进条件与幅度未说明；oracle 风险关系不能直接保证实际方法普遍更优，也不推断刊本变化。
原文摘要
Model selection (MS) and model averaging (MA) are two popular approaches when many candidate models exist. Theoretically, the estimation risk of an oracle MA is not larger than that of an oracle MS because the former is more flexible, but a foundational issue is this: Does MA offer a substantial improvement over MS? Recently, seminal work by Peng and Yang (2022) has answered this question under nested models with linear orthonormal series expansion. In the current paper, we further respond to this question under linear nested regression models. A more general nested framework, heteroscedastic and autocorrelated random errors, and sparse coefficients are allowed in the current paper, giving a scenario that is more common in practice. A remarkable implication is that MS can be significantly improved by MA under certain conditions. In addition, we further compare MA techniques with different weight sets. Simulation studies illustrate the theoretical findings in a variety of settings.