结构化模型中的自动交叉验证：是时候抛弃留一法了吗？
统计方法学
2024-06-21 v2 应用统计
统计计算
摘要
留一交叉验证（LOOCV）等标准技术可能不适用于评估包含结构化随机效应的模型的预测性能。在此类情况下，训练集与测试集之间的相关性可能对模型的预测误差产生显著影响。为克服该问题，用于留组交叉验证（LGOCV）的自动分组构建方法近来已成为提升结构化模型预测性能度量的有力工具。本文旨在（i）在结构化模型中比较 LOOCV 与 LGOCV，侧重模型选择与预测性能；（ii）使用 INLA 拟合的复杂结构化模型提供空间统计中的真实数据应用，展示自动 LGOCV 方法的效用。首先，我们简要回顾近期提出的用于潜高斯模型自动分组构建的 LGOCV 方法的关键方面。我们还通过在时间与时空间数据分析中模拟外推任务，证明了该方法在选择具有最高预测性能模型上的有效性。最后，我们深入说明了 LGOCV 方法在建模复杂结构化数据（包括时空多变量计数数据、空间组成数据和时空地理空间数据）中的有效性。
引用
@article{arxiv.2311.17100,
title = {Automatic cross-validation in structured models: Is it time to leave out leave-one-out?},
author = {A. Adin and E. Krainski and A. Lenzi and Z. Liu and J. Martínez-Minaya and H. Rue},
journal= {arXiv preprint arXiv:2311.17100},
year = {2024}
}