Optimal designs for frequentist model averaging
频率学派模型平均的最优实验设计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：摘要研究通用回归实验设计与模型平均，未明确因果效应估计或其他所列领域对象。
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
频率学派模型平均的最优实验设计
- 研究问题
- 当回归函数的参数形式不确定时，如何选择实验设计，使频率学派模型平均得到的目标参数估计具有较小渐近均方误差？
- 方法与思路
- 作者以模型平均估计量的渐近均方误差为最优性准则，并建立局部最优及贝叶斯最优设计问题的必要条件。
- 材料陈述的贡献
- 摘要称，论文提供新设计准则与最优解必要条件；所给示例中，贝叶斯最优设计的均方误差降幅最高达到 45%。
- 阅读关注点
- 应核对候选模型、平均权重、目标参数和局部设定，区分设计中的贝叶斯准则与估计中的频率学派模型平均。
- 阅读边界
- 仅据 Crossref 摘要；45% 是所给示例的最高报告降幅，摘要未说明比较基准和设计细节，不能视为一般性能保证。
原文摘要
Summary We consider the problem of designing experiments for estimating a target parameter in regression analysis when there is uncertainty about the parametric form of the regression function. A new optimality criterion is proposed that chooses the experimental design to minimize the asymptotic mean squared error of the frequentist model averaging estimate. Necessary conditions for the optimal solution of a locally and Bayesian optimal design problem are established. The results are illustrated in several examples, and it is demonstrated that Bayesian optimal designs can yield a reduction of the mean squared error of the model averaging estimator by up to 45%.