The usual procedure for developing

The usual procedure for developing linear models to predict any kind of target variable is to identify a subset of
most important predictors and to estimateweights that provide the best possible solution for a given sample. The
resulting “optimally” weighted linear composite is then used when predicting new data. This approach is useful
in situations with large and reliable datasets and fewpredictor variables. However, a large body of analytical and
empirical evidence since the 1970s shows that such optimal variable weights are of little, if any, value in situationswith
small and noisy datasets and a large number of predictor variables. In such situations,which are common
for social science problems, including all relevant variables is more important than their weighting. These
findings have yet to impact many fields. This study uses data from nine U.S. election-forecasting models whose
vote-share forecasts are regularly published in academic journals to demonstrate the value of (a) weighting all
predictors equally and (b) including all relevant variables in the model. Across the ten elections from 1976 to
2012, equally weighted predictors yielded a lower forecast error than regression weights for six of the nine
models. On average, the error of the equal-weightsmodelswas 5% lower than the error of the original regression
models. An equal-weights model that uses all 27 variables that are included in the nine models missed the final
vote-share results of the ten elections on average by only 1.3 percentage points. This error is 48% lower than the
error of the typical, and 29% lower than the error of the most accurate, regression model.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนปกติในการพัฒนาแบบจำลองเชิงการทำนายใด ๆ ของตัวแปรเป้าหมายคือการ ระบุชุดย่อยของpredictors สำคัญ และ estimateweights ที่ให้แก้ปัญหาได้ดีที่สุดสำหรับตัวอย่างที่กำหนดให้ ที่ผล "อย่างเหมาะสม" ถ่วงน้ำหนักเชิงเส้นประกอบแล้วจะใช้เมื่อคาดการณ์ข้อมูลใหม่ วิธีการนี้มีประโยชน์ในสถานการณ์ datasets ขนาดใหญ่ และน่าเชื่อถือและตัวแปร fewpredictor อย่างไรก็ตาม ขนาดใหญ่เนื้อหาวิเคราะห์ และหลักฐานประจักษ์ตั้งแต่ทศวรรษ 1970 แสดงว่า น้ำหนักตัวแปรดังกล่าวเหมาะสมที่สุดมีค่าน้อย ถ้ามี situationswithdatasets ขนาดเล็ก และเสียงดังและตัวแปร predictor เป็นจำนวนมาก ในสถานการณ์ดังกล่าว ซึ่งใช้กันทั่วไปปัญหาสังคม รวมถึงตัวแปรที่เกี่ยวข้องทั้งหมดนั้นสำคัญกว่าน้ำหนักของพวกเขา เหล่านี้ผลการวิจัยยังได้ส่งผลกระทบต่อหลายสาขา ข้อมูลนี้ใช้ศึกษาจาก 9 สหรัฐอเมริกาเลือกตั้งพยากรณ์รุ่นที่คาดการณ์การลงคะแนนเสียงร่วมเป็นประจำได้รับการเผยแพร่ในวารสารวิชาการแสดงให้เห็นถึงค่าของ (ก) น้ำหนักทั้งหมดpredictors เท่า ๆ กัน และ (b) รวมถึงตัวแปรที่เกี่ยวข้องทั้งหมดในแบบจำลอง ในการเลือกตั้งที่ 10 จาก 1976 เพื่อ2012, predictors ถ่วงน้ำหนักเท่า ๆ กันหาข้อผิดพลาดคาดการณ์ต่ำกว่าน้ำหนักถดถอยสำหรับหกเก้ารูปแบบจำลอง โดยเฉลี่ย ข้อผิดพลาดของการ weightsmodelswas เท่ากับ 5% ต่ำกว่าข้อผิดพลาดของการถดถอยที่เดิมรูปแบบจำลอง แบบจำลองเท่ากับน้ำหนักที่ใช้ตัวแปร 27 ทั้งหมดที่อยู่ในรูปแบบเก้า พลาดสุดท้ายเสียงหุ้นผลเลือกตั้งสิบเฉลี่ยเพียง 1.3 เปอร์เซ็นต์จุด ข้อผิดพลาดนี้คือ 48% ต่ำกว่าข้อผิดพลาดของแบบทั่วไป และ 29% ต่ำกว่าข้อผิดพลาดของแบบจำลองถดถอยที่แม่นยำ

ผลลัพธ์ (ไทย) 2:

ขั้นตอนปกติสำหรับการพัฒนารูปแบบเชิงเส้นที่จะทำนายชนิดของตัวแปรเป้าหมายคือการระบุย่อยของการพยากรณ์ที่สำคัญที่สุดและ estimateweights ที่ให้ทางออกที่ดีที่สุดสำหรับตัวอย่างที่กำหนด ส่งผลให้ "ดีที่สุด" คอมโพสิตถ่วงน้ำหนักเชิงเส้นที่ใช้แล้วเมื่อทำนายข้อมูลใหม่ วิธีการนี้จะเป็นประโยชน์ในสถานการณ์ที่มีชุดข้อมูลขนาดใหญ่และเชื่อถือได้และตัวแปร fewpredictor อย่างไรก็ตามร่างใหญ่ของการวิเคราะห์และหลักฐานเชิงประจักษ์ตั้งแต่ปี 1970 แสดงให้เห็นว่าตัวแปรเช่นน้ำหนักที่ดีที่สุดที่มีน้อยถ้ามีค่าใน situationswith ชุดข้อมูลขนาดเล็กและมีเสียงดังและเป็นจำนวนมากของตัวแปร ในสถานการณ์ดังกล่าวซึ่งเป็นเรื่องธรรมดาสำหรับปัญหาวิทยาศาสตร์ทางสังคมรวมทั้งตัวแปรที่เกี่ยวข้องทั้งหมดมีความสำคัญมากกว่าน้ำหนักของพวกเขา เหล่านี้ผลการวิจัยยังไม่ได้ส่งผลกระทบต่อหลายสาขา การศึกษาครั้งนี้ใช้ข้อมูลจากเก้าสหรัฐรุ่นเลือกตั้งที่มีการคาดการณ์การคาดการณ์การลงคะแนนเสียงหุ้นที่ตีพิมพ์เป็นประจำในวารสารทางวิชาการที่จะแสดงให้เห็นถึงคุณค่าของ (ก) น้ำหนักทั้งหมดพยากรณ์อย่างเท่าเทียมกันและ(ข) รวมทั้งตัวแปรทั้งหมดที่เกี่ยวข้องในรูปแบบ ข้ามสิบการเลือกตั้งปี 1976 ที่จะจากปี 2012 พยากรณ์ถ่วงน้ำหนักเท่า ๆ กันผลข้อผิดพลาดที่ต่ำกว่าการคาดการณ์น้ำหนักถดถอยหกเก้ารุ่น โดยเฉลี่ยความผิดพลาดของ weightsmodelswas เท่ากับ 5% ต่ำกว่าข้อผิดพลาดของการถดถอยเดิมรุ่น น้ำหนักเท่ากันรูปแบบที่ใช้ตัวแปร 27 ทั้งหมดที่มีอยู่ในเก้ารุ่นพลาดสุดท้ายผลการลงคะแนนเสียงส่วนแบ่งในสิบของการเลือกตั้งโดยเฉลี่ยเพียง1.3 คะแนนร้อยละ ข้อผิดพลาดนี้เป็น 48% ต่ำกว่าค่าความผิดพลาดทั่วไปและ29% ต่ำกว่าความผิดพลาดที่ถูกต้องที่สุดแบบถดถอย

ผลลัพธ์ (ไทย) 3:

ขั้นตอนปกติสำหรับการพัฒนาแบบจำลองเชิงเส้นตรงเพื่อทำนายชนิดของตัวแปรเป้าหมายคือการระบุบางส่วนของที่สำคัญที่สุดและ estimateweights
ทำนายว่าให้โซลูชั่นที่ดีที่สุดสำหรับตัวอย่าง .
ผล " ได้อย่างดีที่สุด " ประกอบเชิงเส้นหนักใช้แล้วเมื่อทำนายข้อมูลใหม่ วิธีการนี้มีประโยชน์
ในสถานการณ์ที่มีข้อมูลมาก และน่าเชื่อถือ และตัวแปร fewpredictor . อย่างไรก็ตาม ร่างกายใหญ่ของวิเคราะห์
หลักฐานเชิงประจักษ์มาตั้งแต่ปี 1970 พบว่า ตัวแปรดังกล่าวที่เหมาะสมน้ำหนักจะน้อย ถ้ามีค่าใน situationswith
ขนาดเล็กและเสียงดังข้อมูลและตัวเลขขนาดใหญ่ของตัวแปร . ในสถานการณ์เช่นนี้ ซึ่งเป็นเรื่องธรรมดา
ปัญหาทางสังคมศาสตร์รวมถึงทุกตัวแปรที่เกี่ยวข้องเป็นสิ่งสำคัญมากกว่าน้ำหนักของพวกเขา การค้นพบเหล่านี้
ยังส่งผลกระทบต่อด้านต่างๆ การศึกษานี้ใช้ข้อมูลจากเก้าเลือกตั้งสหรัฐแบบพยากรณ์ที่
โหวตแบ่งปันพยากรณ์เป็นประจำที่ตีพิมพ์ในวารสารวิชาการ เพื่อแสดงให้เห็นถึงคุณค่าของ ( ) (
ทำนายทั้งหมดอย่างเท่าเทียมกันและ ( b ) รวมทั้งตัวแปรที่เกี่ยวข้องทั้งหมดในรูปแบบผ่านการเลือกตั้งจากสิบปี 1976

2012 กันหนักและการคาดการณ์พยากรณ์ผิดพลาดน้อยกว่าการถดถอยหนักหกของเก้า
รุ่น เฉลี่ย ข้อผิดพลาดของ weightsmodelswas เท่ากับ 5% ต่ำกว่าข้อผิดพลาดของตัวแบบการถดถอย
ต้นฉบับ เท่ากับน้ำหนัก แบบที่ใช้ทั้งหมด 27 ตัวแปรที่รวมอยู่ในรุ่นสุดท้าย
พลาดเก้าโหวตแบ่งปันผลของการเลือกตั้งสิบโดยเฉลี่ยเพียง 1.3 คะแนนร้อยละ . ข้อผิดพลาดนี้อยู่ที่ 48 % ต่ำกว่า
ข้อผิดพลาดทั่วไปและ 29 % ต่ำกว่าความคลาดเคลื่อนของแบบจำลองสมการถดถอยที่ถูกต้องที่สุด