False Models and Post-Data Model Construction
错误模型与数据分析后的模型构建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：摘要研究通用回归建模与数据依赖的证据折减，没有因果、面板或其他所列细分方向的直接证据。
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
错误模型与数据分析后的模型构建
- 研究问题
- 在线性回归模型于部分数据分析之后才被构建时，如何折减相关证据，以处理模型选择依赖数据的问题？
- 方法与思路
- 作者以观测前为节省成本而简化模型的决策理论分析为参照，将事后建模解释为数据驱动的取消预先简化决策。
- 材料陈述的贡献
- 摘要提出对事后构建线性回归模型的证据折减方法，并说明正式决策分析的折减含义可用于约束较非正式的数据分析。
- 阅读关注点
- 应核对证据及折减的定义、观测和处理成本的表示，以及正式预先简化问题如何映射到事后模型构建。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法确认折减规则或误差控制性质，也不能把该方法直接等同于现代选择后推断。
原文摘要
This article proposes a method of discounting evidence when linear regression models are constructed after the data have been partially analyzed. The solution parallels a formal decision theoretic analysis of a presimplification problem in which models or model spaces are simplified before observation in order to avoid observation or processing costs. Post-data model construction is interpreted as the data-dependent decision that this pre-simplification is undesirable. The discounting implications of this formal analysis may then be used to police data analyses with less formal post-data model construction.