Model averaging based on leave-subject-out cross-validation
基于留一受试者交叉验证的模型平均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：摘要明确将方法用于纵向数据模型和可含异方差误差的时间序列模型。
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…
基于留一受试者交叉验证的模型平均
- 研究问题
- 如何通过留一受试者交叉验证构建频率学派模型平均，使其适用于纵向数据模型和允许异方差的时间序列模型？
- 方法与思路
- 作者以留一受试者交叉验证形成模型平均方法，证明其平方误差意义下的渐近最优性，并进行模拟与实证比较。
- 材料陈述的贡献
- 摘要称所得估计量渐近达到最低可能平方误差，且在所报告的模拟和实证例子中优于比较方法。
- 阅读关注点
- 应核对受试者或时间序列的留出单位、平均权重构造、最优性的比较集合，以及相关性与异方差所需条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断候选模型范围、风险定义和改进幅度；所述比较优势不能推广至任意模型平均任务。
原文摘要
This paper develops a frequentist model averaging method based on the leave-subject-out cross-validation. This method is applicable not only to averaging longitudinal data models, but also to averaging time series models which can have heteroscedastic errors. The resulting model averaging estimators are proved to be asymptotically optimal in the sense of achieving the lowest possible squared errors. Both simulation study and empirical example show the superiority of the proposed estimators over their competitors.