Model Averaging for Nonlinear Regression Models
非线性回归模型的模型平均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：摘要讨论一般非线性回归的模型平均与个体工资预测，未明确对应所列细分领域的专门模型或研究问题，因此暂不分类。
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…
非线性回归模型的模型平均
- 研究问题
- 当回归模型对参数或解释变量呈非线性时，如何选择模型平均权重，以改善风险表现，并用于个体工资等结果变量的预测？
- 方法与思路
- 作者提出非线性模型平均框架，以非线性信息准则选择权重，并将该准则与风险函数联系起来，分析权重的收敛性质。
- 材料陈述的贡献
- 摘要称该准则除一个常数外是风险的渐近无偏估计，并建立最优性与权重收敛；模拟和工资应用报告多数情形下较低的风险或预测误差。
- 阅读关注点
- 核对风险函数、信息准则的具体形式、候选模型和最优性的比较基准，并检查权重约束、理论条件及工资预测的评估设计。
- 阅读边界
- 摘要未说明风险定义、模型集合、最优性的确切含义及预测验证方案；多数情形下的优势不代表对所有非线性模型均有效。
原文摘要
This article considers the problem of model averaging for regression models that can be nonlinear in their parameters and variables. We consider a nonlinear model averaging (NMA) framework and propose a weight-choosing criterion, the nonlinear information criterion (NIC). We show that up to a constant, NIC is an asymptotically unbiased estimator of the risk function under nonlinear settings with some mild assumptions. We also prove the optimality of NIC and show the convergence of the model averaging weights. Monte Carlo experiments reveal that NMA leads to relatively lower risks compared with alternative model selection and model averaging methods in most situations. Finally, we apply the NMA method to predicting the individual wage, where our approach leads to the lowest prediction errors in most cases.