模型误设下受测量限制线性回归的子数据选择

研究人员提出了针对线性回归子集选择的新框架 ELOS（Expected Loss Optimal Selection），以解决因响应变量获取成本高昂且可能存在模型误设时的样本测量选择问题。该方法以预测期望损失为目标，生成仅依赖协变量信息的 A-optimality 型准则，在选择阶段无需任何响应观测值。模拟研究和真实数据应用表明，ELOS 在多种场景下均具有出色的预测表现与稳健性。