Validation croisée (CV) est une méthode largement utilisée d’évaluation prédictive basée sur
sur des ajustements répétés du modèle à différents sous-ensembles de données disponibles. Le CV est
applicable dans un large éventail de contextes statistiques. Cependant, dans les cas où
les données ne sont pas échangeables, la conception des programmes de CV doit tenir compte
structures de corrélation suspectées dans les données. Les conceptions de programmes de CV incluent le
sélection des blocs laissés de côté et choix de la fonction de notation pour l'évaluation
performances prédictives.
Cet article se concentre sur l'impact de deux stratégies de notation pour le CV par blocs
appliqué aux modèles spatiaux avec des structures de covariance gaussienne. Nous enquêtons,
à travers plusieurs expériences, qu'il s'agisse d'évaluer les performances prédictives de
blocs d'observations omises conjointement, plutôt que de regrouper des individus
(ponctuellement) prédictions, améliore les performances de sélection du modèle. Extension récente
résultats pour les données avec corrélation en série (comme les données de séries chronologiques), notre
les expériences suggèrent que la notation conjointe réduit la variabilité des estimations du CV,
conduisant à une sélection de modèles plus fiable, en particulier lorsque la dépendance spatiale
est fort et les différences de modèles sont subtiles.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: