×
马蒂亚斯·德顿;马丁·普卢默
[格尔达·克莱斯肯斯;朱迪思·卢梭;克里斯蒂安·罗伯特。;伊迈，托鲁;马纳布库洛基;弗里尔，N。;麦基恩，J.P。;C.J.奥茨。;安东尼·佩蒂特。;G.J.麦克拉克伦。;H.D.Nguyen。;Richard查尼戈;埃利亚斯·莫雷诺;沃尔特·拉古诺;劳拉·文图拉;新墨西哥州朗福德。;彭萨利，R.J。;伊万·卡梅隆;萧邦，尼古拉斯;大卫·德雷珀;佐藤千木;豪尔赫·马图;吉列尔莫·费雷拉;Pierre-Alexandre马泰;丽贝卡·纽金特;伊丽莎白·洛伦齐;凯拉·弗里索利;阿德里安·拉弗瑞（Adrian E.Raftery）。;南，L.F。;德罗万迪，C.C。;斯特利克，米兰;杰森·怀斯;怀特，亚瑟;朱瑞;杨晓晨;凌玉荣;薛京浩]

奇异模型的贝叶斯信息准则。通过讨论和作者的回复。 （英语） Zbl 1414.62088号

J.R.Stat.Soc.，塞尔维亚。B、 统计方法。 79，第2期，323-380（2017）.
摘要：对于涉及Fisher信息矩阵可能无法与其他竞争子模型一起可逆的模型的模型选择问题，我们考虑近似贝叶斯模型选择。这种奇异模型不符合Schwarz贝叶斯信息准则BIC推导的正则性条件，BIC中的惩罚结构通常不反映边际似然的频繁大样本行为。尽管最近发展了奇异模型边际似然的大样本理论，但其近似值依赖于真实参数值，导致循环推理的悖论。通过确定混合模型中的成分数、潜在因子模型中的因子数或降秩回归中的秩等实例，我们提出了解决这一悖论的方法，并对奇异模型选择问题给出了BIC的实际推广。

引用于21文件

理学硕士：

2015年1月62日 贝叶斯推断
2012年12月62日 参数估计量的渐近性质
62-02 与统计有关的研究展览（专著、调查文章）

关键词：

贝叶斯信息准则;因子分析;混合物模型;型号选择;降秩回归;施瓦兹信息准则;奇异学习理论
PDF格式BibTeX公司 XML格式引用
\textit{M.Drton}和\textit{M.Plummer}，J.R.Stat.Soc.，Ser。B、 统计方法。79，第2号，323--380（2017；Zbl 1414.62088）
全文： 内政部 arXiv公司