误设模型中的模型选择原则
本文探讨了其 Fisher-information 矩阵可能不可逆的模型选择问题下的序贯模型选择,提出了解决奇异模型选择问题的贝叶斯信息准则(BIC)以及边缘似然的近似方法。
Sep, 2013
利用稀疏非线性动力学算法和信息准则对动力学系统进行模型选择,自动且有原则地选择得到强支持的模型,这个方法能够准确地鉴别出多个基本动力学系统,包括一个 SEIR 疾病模型和 Lorenz 方程。
Jan, 2017
本文综述了近期不同领域取得的进展,以解决基于概率模型进行的预测决策可能受到模型错误规定的影响。我们回顾了诊断技术,并提出了决策分析的形式化方法,特别是在模型错误规定的情况下。我们采用贝叶斯方法,以模型空间中模型扰动的稳定性量化模型错误规定下的最优决策,这已被应用于鲁棒控制、宏观经济学和金融数学领域。
Feb, 2014
介绍了一种广义信息准则,可以包含其他信息准则(如贝叶斯信息准则(BIC)和赤池信息准则(AIC))作为特殊情况,还引入了一种更为通用的谱信息准则(SIC),采用几何特征提取误差曲线的肘部,为模型选择提供子集合,并提出选择唯一模型的实用规则。测试表明该方案具有优势,并附带提供了相关的 Matlab 代码。
Aug, 2023
本文回顾了如何利用信息标准、收缩方法、Fence 法和贝叶斯技术等四种主要方法,解决选择适当的线性混合效应模型的问题。通过考察一系列文献的方法、性质和相互关系,帮助读者更好地了解可用的方法。
Jun, 2013
本研究考虑了拟合估计器模型选择问题,其中模型参数的数量超过数据集的大小。研究者们通过建立双重欠定参数模型来解决了模型选择问题,提出了一种新的统计量,称为插值信息准则(Interpolating Information Criterion)。这个统计量不仅可以衡量模型拟合的质量,而且还可以自然地纳入先验选择问题。
Jul, 2023
本文研究统计学习模型在正则和奇异情况下的 Bayes free energy 和 real log canonical threshold 的关系,提出了一种适用于奇异模型的广义贝叶斯信息准则(WBIC),这是基于后验分布的平均对数似然函数计算得出的一种新准则。
Aug, 2012
研究表明,AIC 类型准则是非凸惩罚回归方法中调参参数渐进有效的选择器。本文通过放宽假设,证明 AIC 本身是渐进有效的,并研究了其在有限样本中的性能。与其他选择器相比,研究证明修正后的经典 AICc 在惩罚回归中取得了良好的性能,并证明 AIC 对于具有一般候选模型集的广义线性模型是有效的。在 SCAD 惩罚回归和 Lasso 回归上进行了模拟并考虑了实际数据示例。
Feb, 2013
本文研究了用于高斯图模型种反向协方差矩阵的稀疏性,说明了贝叶斯信息准则在变量数和样本大小呈线性增长情况下的一致性,并验证了其在与高斯套索结合使用时的性能。
Nov, 2010