Asymptotic Optimality for $C_p, C_L$, Cross-Validation and Generalized Cross-Validation: Discrete Index Set
离散指标集下 Cp、CL、交叉验证与广义交叉验证的渐近最优性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：摘要属于通用估计量选择与回归理论，未明确涉及宏观预测或金融收益预测。
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
离散指标集下 Cp、CL、交叉验证与广义交叉验证的渐近最优性
- 研究问题
- 在由离散指标标记的线性估计量候选类中，数据驱动的选择准则在什么条件下能够达到渐近最优？
- 方法与思路
- 作者分析 Cp、CL、交叉验证及广义交叉验证的渐近行为，并从 CL 的角度理解后两者，讨论回归和模型选择应用。
- 材料陈述的贡献
- 摘要称文章给出易于解释的渐近最优性条件，并将交叉验证与广义交叉验证视为应用 CL 的特殊方式。
- 阅读关注点
- 应核对最优性采用的损失与比较对象、候选类和误差条件，以及最近邻非参数回归应用如何满足这些条件。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未列出具体条件与收敛结论，渐近最优不等于有限样本普遍占优。
原文摘要
$C_p, C_L$, cross-validation and generalized cross-validation are useful data-driven techniques for selecting a good estimate from a proposed class of linear estimates. The asymptotic behaviors of these procedures are studied. Some easily interpretable conditions are derived to demonstrate the asymptotic optimality. It is argued that cross-validation and generalized cross-validation can be viewed as some special ways of applying $C_L$. Applications in nearest-neighbor nonparametric regression and in model selection are discussed in detail.