Nonparametric estimation of mean-squared prediction error in nested-error regression models
嵌套误差回归模型中均方预测误差的非参数估计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：摘要涉及一般聚类数据的预测误差估计，未明确指向面板或宏观预测等所列细分。
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
嵌套误差回归模型中均方预测误差的非参数估计
- 研究问题
- 在用于聚类数据的嵌套误差回归中，如何估计均方预测误差，并减轻朴素估计量常见的向下偏误？
- 方法与思路
- 作者提出匹配矩的双重自助法，通过蒙特卡洛模拟实现误差估计修正，避免为误差分布指定具体参数形式。
- 材料陈述的贡献
- 摘要称，该算法可显著减轻朴素均方误差估计的低估问题，并以模拟替代传统方法中繁复的公式推导。
- 阅读关注点
- 应核对匹配哪些矩、两层重抽样如何保留聚类结构，以及修正的理论阶数、预测对象和计算成本。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；不指定具体误差分布不等于无需矩或依赖条件，摘要未给出这些条件及数值结果。
原文摘要
Nested-error regression models are widely used for analyzing clustered data. For example, they are often applied to two-stage sample surveys, and in biology and econometrics. Prediction is usually the main goal of such analyses, and mean-squared prediction error is the main way in which prediction performance is measured. In this paper we suggest a new approach to estimating mean-squared prediction error. We introduce a matched-moment, double-bootstrap algorithm, enabling the notorious underestimation of the naive mean-squared error estimator to be substantially reduced. Our approach does not require specific assumptions about the distributions of errors. Additionally, it is simple and easy to apply. This is achieved through using Monte Carlo simulation to implicitly develop formulae which, in a more conventional approach, would be derived laboriously by mathematical arguments.