Bootstrap Model Averaging
Bootstrap 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：摘要讨论通用模型平均理论，未提供足以归入所列具体应用领域的文本证据。
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
Bootstrap 模型平均
- 研究问题
- 在频率学派模型平均中，如何用 bootstrap 选择权重，并分别刻画候选模型全部错误或包含正确模型时的统计性质？
- 方法与思路
- 作者通过最小化 bootstrap 准则选择模型权重，说明其与 bootstrap 聚合的联系，并分析最优性、权重收敛及估计量极限分布。
- 材料陈述的贡献
- 摘要称全部候选模型错设时达到渐近最小平方误差损失，并在嵌套模型含正确模型且协变量数量固定时推导极限分布。
- 阅读关注点
- 应核对 bootstrap 的抽样机制、权重约束与损失定义，以及全部错设和存在正确模型两类结论各自需要的条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；候选模型类别及其他正则条件未说明，渐近最优性不能解释为有限样本中始终优于所有方法。
原文摘要
Model averaging has garnered significant attention in recent years for its ability to combine information from multiple models. A critical challenge in frequentist model averaging is determining the appropriate weight vector. The bootstrap method, well-known for its desirable properties, offers a promising solution. In this article, we propose a bootstrap model averaging approach that selects weights by minimizing a bootstrap-based criterion. Notably, our weight selection criterion can also be interpreted as bootstrap aggregating. When all candidate models are misspecified, we show that the resulting estimator is asymptotically optimal, achieving the minimum possible squared error loss. Furthermore, we establish the convergence rate of the bootstrap weights toward the theoretically optimal weights. In scenarios where correct candidate models exist within a nested set and the number of covariates is fixed, we derive the limiting distribution of our proposed model averaging estimator. Through simulation studies and empirical applications, we demonstrate that our proposed method often outperforms other commonly used model selection and model averaging techniques, and other bootstrap-based variants.