Sequential model confidence sets
序贯模型置信集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：摘要涉及一般模型选择与预测评估，未明确宏观预测、收益预测或时间序列应用。
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…
序贯模型置信集
- 研究问题
- 模型表现随新增数据不断更新，且研究停止时点可能取决于既往结果时，如何构造持续有效并反映模型选择不确定性的置信集？
- 方法与思路
- 作者借助 e-processes 与置信序列，将固定样本量下的模型置信集扩展为可随时间更新的序贯模型置信集。
- 材料陈述的贡献
- 摘要称该方法支持连续监测模型表现，并提供对时间一致有效、非渐近的覆盖保证，使置信集适应序贯评估任务。
- 阅读关注点
- 应核对最佳模型的定义、表现比较指标、数据依赖条件，以及覆盖保证如何处理持续监测、停止时点和模型集合变化。
- 阅读边界
- 仅据所给 Crossref 在线发表版本摘要，无法判断保证所需条件、置信集大小或实际检验能力，也不能推断后续刊本变化。
原文摘要
Abstract In most prediction and estimation situations, scientists consider various statistical models for the same problem, and naturally want to select amongst the best. Hansen et al. [(2011). The model confidence set. Econometrica: Journal of the Econometric Society, 79(2), 453–497] provide a powerful solution to this problem by the so-called model confidence set, a subset of the original set of available models that contains the best models with a given level of confidence. Importantly, model confidence sets respect the underlying selection uncertainty by being flexible in size. However, they presuppose a fixed sample size which stands in contrast to the fact that model selection and forecast evaluation are inherently sequential tasks where we successively collect new data and where the decision to continue or conclude a study may depend on the previous outcomes. In this article, we extend model confidence sets sequentially over time by relying on sequential testing methods through e-processes and confidence sequences. Sequential model confidence sets allow to continuously monitor the models’ performances and come with time-uniform, nonasymptotic coverage guarantees.