面向模型误设下测量受限线性回归的子数据选择方法 ELOS

针对响应变量获取成本高、且模型误设难以避免的测量受限场景，研究者提出子数据选择框架 ELOS（Expected Loss Optimal Selection），以预测期望损失为目标，导出仅依赖协变量信息、无需在筛选阶段观测响应的 A-optimality 型准则。模拟研究与真实数据应用显示，ELOS 在多种场景下取得较强预测表现，优于现有方法。