Focused Weighted-Average Least Squares Estimator
聚焦加权平均最小二乘估计量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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用回归中的聚焦模型平均，仅提及脉冲响应模拟，尚不足以确定具体宏观模型方向。
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
聚焦加权平均最小二乘估计量
- 研究问题
- 论文研究当模型平均以某个关注参数或函数为目标时，如何减轻遍历大量子模型的计算负担，并保留有用的估计表现。
- 方法与思路
- 作者通过辅助回归变量的半正交化，将权重选择从指数数量的子模型降为至多逐变量权重，并以插入式渐近均方误差选择权重。
- 材料陈述的贡献
- 摘要称在局部趋零条件下推导了光滑关注函数的极限分布；模拟中该次优方法接近 FIC 基准，并明显减少计算负担。
- 阅读关注点
- 应核对半正交化如何影响目标函数、局部趋零框架和权重约束，并区分计算节省、次优性与不同信号情形下的模拟表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出完整条件及性能数值，也未声称权重选择全局最优。
原文摘要
We propose a focused weighted-average least squares (FWALS) estimator that addresses the computational burden of focused model averaging. By semi-orthogonalizing auxiliary regressors, the weighting problem is reduced from $2^{k_2}$ sub-models to at most $k_2$ regressor-wise weights, yielding a tractable sub-optimal procedure. Under local-to-zero conditions, we derive the limiting distribution of FWALS for smooth focused functions and provide a plug-in AMSE criterion for data-driven weight selection. Simulations show that FWALS closely matches the focused information criterion (FIC) benchmark and delivers stable performance when focused function is designed for impulse response function. Prior-based WALS can be competitive in some settings, but its performance depends on the signal regime and the design of focused parameter. Overall, FWALS offers a practical and robust alternative with substantial computational savings.