Convalida incrociata (CV) è un metodo ampiamente utilizzato di valutazione predittiva basata
il modello ripetuto si adatta a diversi sottoinsiemi di dati disponibili. Il CV è
applicabile in un’ampia gamma di contesti statistici. Tuttavia, nei casi in cui
i dati non sono scambiabili, la progettazione degli schemi CV dovrebbe tenere conto
sospette strutture di correlazione all'interno dei dati. I progetti di schemi CV includono il
selezione dei blocchi esclusi e scelta della funzione di punteggio per la valutazione
prestazione predittiva.
Questo articolo si concentra sull’impatto di due strategie di punteggio per i CV a blocchi
applicata a modelli spaziali con strutture di covarianza gaussiana. Investighiamo,
attraverso diversi esperimenti, se valutare la prestazione predittiva di
blocchi di osservazioni tralasciate congiuntamente, piuttosto che aggregare individui
(puntuale) previsioni, migliora le prestazioni di selezione del modello. Estensione recente
risultati per dati con correlazione seriale (come i dati delle serie temporali), Nostro
gli esperimenti suggeriscono che il punteggio congiunto riduce la variabilità delle stime CV,
portando ad una selezione del modello più affidabile, in particolare quando la dipendenza spaziale
è forte e le differenze tra i modelli sono sottili.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: