Designing for Prediction: Planning Formulas for Expected Out-of-Sample $R^2$ and $r$
为预测而设计：预期样本外 R² 与 r 的规划公式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：摘要聚焦预测模型的设计计算与样本外 R² 公式推导，属于统计方法/预测评估主题，未直接对应所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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
为预测而设计：预期样本外 R² 与 r 的规划公式
- 研究问题
- 摘要称，研究关注的是在数据收集之前，如何为使用普通最小二乘与岭回归、并以留一交叉验证评估的预测模型进行设计计算，以判断计划中的研究能否达到预期的样本外预测表现。
- 方法与思路
- 作者提出推导闭式表达式，把预期样本外 R² 以及观测值与预测值之间的预期相关系数，与四个设计阶段量联系起来：样本量、预测变量个数、假定的总体 R²（ρ²_in）以及设计效率因子 D*（概括杠杆在观测间的分布）。摘要称还通过模拟研究在不同数据生成机制下评估公式相对实现值的准确性，并应用于一项已发表的研究。
- 材料陈述的贡献
- 摘要称，与仅依赖样本量和维度的经典收缩公式不同，所提出的公式对协变量的排列方式（不平衡与偏斜）敏感；作者将该方法应用于一项从智能手机行为预测人格的已发表研究，并称设计公式在分析之前就能表明最小二乘预计无法优于样本均值，而岭回归可以。摘要还提到 R 包 predpower 实现了这些计算。
- 阅读关注点
- 阅读全文时应核对：闭式表达式的推导所依赖的假设与近似条件；D* 的具体定义与计算方式；模拟研究覆盖的数据生成机制、评价指标与结果；在已发表研究上的应用细节（数据、变量、ρ²_in 与 D* 的取值）；以及 predpower 的功能范围与使用限制。
- 阅读边界
- 仅凭摘要无法判断推导的正确性、模拟结果的具体表现、公式在摘要未提及情形下的适用性，也无法核实应用案例的细节与结论。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或获得学术认可。
原文摘要
Design calculations let researchers gauge, before data is collected, whether a planned study is likely to detect an effect. In this paper, we develop such calculations for predictive models using ordinary least squares and ridge regression under leave-one-out cross-validation. To do so, we derive closed-form expressions relating the expected out-of-sample $R^2$ and the expected correlation between observed and predicted outcomes to four design-stage quantities: sample size, number of predictors, an assumed population $R^2$ ($ρ^2_{in}$) and a design efficiency factor $D^*$ (which summarizes how leverage is distributed across observations). Unlike the classical shrinkage formulas, which depend only on sample size and dimension, these are sensitive to how covariates are arranged -- to imbalance and skew. A simulation study assesses the accuracy of the formulas against realized values under a variety of data generating mechanisms. We apply the methods to a published study predicting personality from smartphone behavior and show that the design formulas would have indicated, before any analyses were run, that least squares could not be expected to beat the sample mean while ridge could. An R package, predpower, implements the calculations.