亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Mallows model averaging with effective model size in fragmentary data prediction

选型 计算机科学 数学 统计 计量经济学
作者
Chaoxia Yuan,Fang Fang,Lyu Ni
出处
期刊:Computational Statistics & Data Analysis [Elsevier]
卷期号:173: 107497-107497 被引量:3
标识
DOI:10.1016/j.csda.2022.107497
摘要

Most existing model averaging methods consider fully observed data while fragmentary data, in which not all the covariate data are available for many subjects, becomes more and more popular nowadays with the increasing data sources in many areas such as economics, social sciences and medical studies. The main challenge of model averaging in fragmentary data is that the samples to fit candidate models are different to the sample used for weight selection, which introduces bias to the Mallows criterion in the classical Mallows Model Averaging (MMA). A novel Mallows model averaging method that utilizes the “effective model size” taking different samples into consideration is proposed and its asymptotic optimality is established. Empirical evidences from a simulation study and a real data analysis are presented. The proposed Effective Mallows Model Averaging (EMMA) method not only provides a novel solution to the fragmentary data prediction, but also sheds light on model selection when candidate models have different sample sizes, which has rarely been discussed in the literature.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI

祝大家在新的一年里科研腾飞
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
5秒前
Echo完成签到,获得积分10
6秒前
8秒前
Marciu33发布了新的文献求助10
13秒前
秋2完成签到 ,获得积分10
13秒前
19秒前
执念完成签到 ,获得积分10
24秒前
研友_VZG7GZ应助科研通管家采纳,获得10
32秒前
Lucas应助科研通管家采纳,获得10
32秒前
32秒前
丘比特应助奋斗若冰采纳,获得30
36秒前
39秒前
隐形曼青应助Xx采纳,获得10
41秒前
42秒前
Suzy应助ni采纳,获得10
43秒前
奋斗若冰发布了新的文献求助30
47秒前
可爱的函函应助GONGLI采纳,获得10
54秒前
1分钟前
1分钟前
bluecat发布了新的文献求助10
1分钟前
星辰大海应助wzwer123采纳,获得10
1分钟前
乐乐应助bluecat采纳,获得10
1分钟前
喵喵完成签到 ,获得积分10
1分钟前
脑洞疼应助背后的思真采纳,获得10
1分钟前
眼睛大慕卉完成签到 ,获得积分10
1分钟前
整齐泥猴桃完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
1分钟前
林林完成签到 ,获得积分10
1分钟前
1分钟前
何琳发布了新的文献求助10
1分钟前
1分钟前
Menand完成签到,获得积分10
1分钟前
Xx发布了新的文献求助10
1分钟前
jokerhoney完成签到,获得积分10
1分钟前
背后的思真完成签到,获得积分10
2分钟前
bkagyin应助Xx采纳,获得10
2分钟前
dddd完成签到,获得积分10
2分钟前
Lin完成签到,获得积分10
2分钟前
高分求助中
Востребованный временем 2500
The Three Stars Each: The Astrolabes and Related Texts 1500
Classics in Total Synthesis IV: New Targets, Strategies, Methods 1000
Les Mantodea de Guyane 800
Mantids of the euro-mediterranean area 700
The Oxford Handbook of Educational Psychology 600
有EBL数据库的大佬进 Matrix Mathematics 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 内科学 物理 纳米技术 计算机科学 遗传学 化学工程 基因 复合材料 免疫学 物理化学 细胞生物学 催化作用 病理
热门帖子
关注 科研通微信公众号,转发送积分 3413289
求助须知:如何正确求助?哪些是违规求助? 3015642
关于积分的说明 8871542
捐赠科研通 2703375
什么是DOI,文献DOI怎么找? 1482215
科研通“疑难数据库(出版商)”最低求助积分说明 685159
邀请新用户注册赠送积分活动 679927