MALMEM: Model Averaging in Linear Measurement Error Models
MALMEM：线性测量误差模型中的模型平均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：摘要聚焦一般线性测量误差模型的模型平均，健康应用不足以确定所列具体领域分类。
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…
MALMEM：线性测量误差模型中的模型平均
- 研究问题
- 研究部分协变量含测量误差、真实协变量不可观测时，如何选择线性回归模型平均权重并评价其损失表现。
- 方法与思路
- 作者利用参数估计量的显式形式构造权重准则，替代无法直接计算的残差损失，并分析候选集的两种情形。
- 材料陈述的贡献
- 摘要称真模型不在候选集时具有相对损失最优性，在候选集时参数估计达根号样本量速率，并报告模拟及健康应用。
- 阅读关注点
- 应核对测量误差设定、估计量构造和损失定义，以及候选模型条件、渐近等价对象与模拟比较方案。
- 阅读边界
- 仅据Crossref所载摘要；测量误差识别条件和模拟细节未说明，比较优势不能推广至任意候选模型集或误差机制。
原文摘要
Summary We develop model averaging estimation in the linear regression model where some covariates are subject to measurement error. The absence of the true covariates in this framework makes the calculation of the standard residual-based loss function impossible. We take advantage of the explicit form of the parameter estimators and construct a weight choice criterion. It is asymptotically equivalent to the unknown model average estimator minimizing the loss function. When the true model is not included in the set of candidate models, the method achieves optimality in terms of minimizing the relative loss, whereas, when the true model is included, the method estimates the model parameter with root n rate. Simulation results in comparison with existing Bayesian information criterion and Akaike information criterion model selection and model averaging methods strongly favour our model averaging method. The method is applied to a study on health.