Linear Models, Variable Selection, Artificial Intelligence
线性模型、变量选择与人工智能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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论线性回归变量选择与 ANN 方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体方向，故不选择。
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…
线性模型、变量选择与人工智能
- 研究问题
- 摘要称，线性回归中的变量选择自假设检验出现以来一直是难题，哪些变量应纳入或排除并不容易；本文关注如何用人工智能方法判断变量显著性。
- 方法与思路
- 作者提出用人工神经网络（ANN）基于普通最小二乘（OLS）估计来判定变量显著性，并通过模拟研究考察不同样本量与方差下的准确率，同时与 Forward、Backward、AIC、BIC 和 LASSO 进行比较。
- 材料陈述的贡献
- 摘要称本文引入一种基于 ANN 的模型选择方法，用 OLS 估计训练网络判断变量显著性，并给出模拟准确率、与若干传统方法的模拟比较，以及世界卫生组织预期寿命数据的示例；还提供可处理至多 100 个预测变量的预训练 ANN 及数据链接。
- 阅读关注点
- 应核对 ANN 的训练目标与输入构造、显著性判定阈值、模拟设计（样本量、方差、真实模型设定）、与各比较方法是否使用同一评价指标，以及 WHO 数据示例的具体变量与结论。
- 阅读边界
- 仅凭摘要无法判断方法的理论性质、识别假设、模拟结果数值、相对优劣的稳健性，也未说明预训练网络的适用范围与可复现细节；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Variable selection in linear regression models has been a problem since hypothesis testing began. Which variables to include or exclude from a model is not an easy task. Techniques such as Forward, Back ward, Stepwise Regression sequentially add or delete variables from a model. Penalized likelihood methods such as AIC, BIC, etc. seek to choose variables that have a significant contribution to the likelihood. Penalized sum of square methods such as LASSO and Elastic Net have been used to penalize small coefficients to only allow variables with large coefficients in the model. This work introduces an Artificial Intelligence approach to model selection where an ANN is trained to determine the significance of the variables based on OLS estimates. A simulation study shows the accuracy across various sample sizes and variances. Furthermore, a simulation study is conducted to compare the performance of the approach against Forward, Backward, AIC, BIC and LASSO. The approach is illustrated using a dataset from the World Health Organization regarding Life Expectancy. A github link is provided to the pretrained ANN that can handle up to 100 predictor variables, the original WHO dataset and the subset used in this work.