Functional prediction through averaging estimated functional linear regression models
通过函数型线性回归模型平均进行函数预测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：摘要研究通用函数型响应预测，未涉及宏观时间预测或金融收益预测。
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
通过函数型线性回归模型平均进行函数预测
- 研究问题
- 当响应和协变量均为随机函数时，如何通过多个函数型线性回归模型的平均改善预测，并选择具有理论依据的权重？
- 方法与思路
- 作者构造基于交叉验证的模型平均估计量，以预测函数的平方误差损失评价权重，并分析真回归关系包含在候选集内的情形。
- 材料陈述的贡献
- 摘要称权重具有渐近损失最优性；真模型属于候选集时，平均估计具有相应收敛性质，模拟与实例中多数情形优于模型选择。
- 阅读关注点
- 应核对候选模型如何形成、交叉验证与函数展开如何实施，以及最优性比较基准和真模型包含条件下的收敛结论。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；摘要未说明正则条件与候选模型限制，多数示例中的优势不能推广为普遍结论。
原文摘要
Prediction is often the primary goal of data analysis. In this work, we propose a novel model averaging approach to the prediction of a functional response variable. We develop a crossvalidation model averaging estimator based on functional linear regression models in which the response and the covariate are both treated as random functions. We show that the weights chosen by the method are asymptotically optimal in the sense that the squared error loss of the predicted function is as small as that of the infeasible best possible averaged function. When the true regression relationship belongs to the set of candidate functional linear regression models, the averaged estimator converges to the true model and can estimate the regression parameter functions at the same rate as under the true model. Monte Carlo studies and a data example indicate that in most cases the approach performs better than model selection.