The Estimation of Prediction Error
预测误差的估计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：摘要研究一般预测误差评估，没有宏观预测对象或金融收益变量，不能仅因出现预测而归入相应应用细分。
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
预测误差的估计
- 研究问题
- 对由数据构建的预测规则，协方差惩罚方法与交叉验证、非参数 bootstrap 之间有何联系，如何影响预测误差估计？
- 方法与思路
- 作者推导 Rao–Blackwell 型关系，将交叉验证等非参数方法与基于观测及其预测值协方差的惩罚方法相联系。
- 材料陈述的贡献
- 摘要称，非参数方法可视作对应协方差惩罚方法的随机化版本，且在模型可信时，模型惩罚法的误差估计更准确。
- 阅读关注点
- 应核对预测误差的目标定义、随机化关系成立的条件，以及准确性比较依赖哪些模型设定和评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；准确性优势以模型可信为前提，不能据此推断模型错设时或任意任务中的优势。
原文摘要
Having constructed a data-based estimation rule, perhaps a logistic regression or a classification tree, the statistician would like to know its performance as a predictor of future cases. There are two main theories concerning prediction error: (1) penalty methods such as Cp, Akaike's information criterion, and Stein's unbiased risk estimate that depend on the covariance between data points and their corresponding predictions; and (2) cross-validation and related nonparametric bootstrap techniques. This article concerns the connection between the two theories. A Rao–Blackwell type of relation is derived in which nonparametric methods such as cross-validation are seen to be randomized versions of their covariance penalty counterparts. The model-based penalty methods offer substantially better accuracy, assuming that the model is believable.