×
帕斯卡·马萨特

模型选择：从理论到实践。（模式选择：民族传统。） （法语。英文摘要） Zbl 1455.62030号

J.Soc.Fr.Stat.&Rev.Stat.申请。 149，第4期，5-27（2008）.
小结：自从H.赤介70年代初[见：《第二届信息理论国际研讨会论文集》，Tsahkaporpho 1971年。布达佩斯：Akadémiai Kiadó267–281（1973；Zbl 0283.62006号)]优化惩罚对数似然等惩罚经验准则，已成为从数据中选择合适统计模型问题的经典解决方案。对于许多模型选择问题，例如多变化点检测和变量选择，希望给定维度的维度或模型数量随样本大小增长。因此，在过去十年中，为了考虑到这类情况，出现了一种模型选择的非渐近理论。从实践和理论的角度来看，主要问题是理解如何惩罚对数似然等经验标准，以获得一些最佳选择程序。渐近理论为惩罚的形状提供了一些有用的指示，但它通常让用户选择数值常数。这些常数的最佳值通常未知。在某些情况下，理论确实不够敏锐，无法产生明确的价值观。在其他一些情况下，问题更多的是统计性质的，因为根据理论，最佳值应该取决于观测值的未知分布。我们的目的是推广一些数据驱动的方法来校准惩罚。该方法部分基于我们将回忆的初步理论结果，部分基于我们打算解释的一些启发式。

引用于1文件

MSC公司：

62A01型 统计学基础和哲学主题

关键词：

变化点检测;集中不等式;经验过程;型号选择;惩罚;变量选择;数据驱动方法;校准;处罚

引文：

兹bl 0283.62006年
PDF格式BibTeX公司 XML格式引用
\textit{P.Massart}，J.Soc.Fr.Stat.&Rev.Stat.Appl.（《联邦公报》）。149，第4号，第5--27号（2008；Zbl 1455.62030）
全文： 链接

参考文献：

[1] AKAIKE，H.（1973）。信息论和最大似然原理的推广。编者P.N.Petrov和F.Csaki，《第二届信息理论国际研讨会论文集》。第267-281页。布达佩斯Akademia Kiado·兹bl 0283.62006年
[2] ARLOT，S.（2007）。通过重采样惩罚进行模型选择。arXiv:math/0701542v2·Zbl 1326.62097号
[3] ARLOT，S.（2008）。V-fold交叉验证改进：V-fold惩罚。arXiv:0802.0566v2
[4] ARLOT，S.和MASSART，P.（2008）。数据驱动的最小二乘回归惩罚校准。arXiv:0802.0837v2。
[5] BARAUD，Y.（2000年）。固定设计回归的模型选择。概率论及相关领域117，no 4 467-493·Zbl 0997.62027号
[6] BAHADUR，R.R.（1958年）。最大似然估计不一致的示例。Sankhya Ser.公司。A 2207-210·Zbl 0087.34202号
[7] BARAUD，Y.、COMTE，F.和VIENNET，G.（2001年）。具有相关数据的（自动）回归模型选择。ESAIM:概率与统计5，33-49。http://www.emath.fr/ps/。 ·Zbl 0990.62035号
[8] BARRON，A.R.，BIRG E.，L.，MASSART，P.（1999）。通过惩罚选择模型的风险边界。普罗巴伯。相关字段。113, 301-415 . ·Zbl 0946.62036号
[9] BIRGé，L.和MASSART，P.（1993）。最小对比度估计的收敛速度。普罗巴伯。Th.相关。字段97、113-150·Zbl 0805.62037号
[10] BIRGé，L.和MASSART，P.（1997）。从模型选择到自适应估计。Lucien Lecam:概率与统计研究论文集（D.Pollard、E.Torgersen和G.Yang，eds.），55-87，纽约斯普林格-弗拉格出版社·Zbl 0920.62042号
[11] BIRGé，L.和MASSART，P.（2001）。高斯模型选择。《欧洲数学学会杂志》，第3期，203-268·Zbl 1037.62001
[12] BIRGé，L.，MASSART，P.（2007）。高斯模型选择的最小惩罚。普罗巴伯。Th.Rel.字段138，编号1-2，33-73·Zbl 1112.62082号
[13] BOUCHERON，S.、BOUSQUET，O.、LUGOSI，G.、MASSART，P.（2005）。独立随机变量函数的矩不等式。《概率年鉴》33，第2期，514-560·Zbl 1074.60018号
[14] BOUCHERON，S.和MASSART，P.（分离）。穷人的威尔克斯现象·Zbl 1230.62072号
[15] BOUSQUET，O.（2002）。贝内特浓度不等式及其在经验过程上的应用。C.R.数学。阿卡德。科学。巴黎334号，邮编：6495-500·Zbl 1001.60021号
[16] CASTELLAN，G.（2003）。通过指数模型选择进行密度估计。IEEE传输。通知。理论49，第8期，2052-2060·Zbl 1288.62054号
[17] DANIEL，C.和WOOD，F.S.（1971）。将方程式拟合到数据。纽约威利·Zbl 0264.65011号
[18] DONOHO，D.L.和JOHNSTONE，I.M.（1994年）。通过小波收缩实现理想的空间自适应。生物特征81，425-455·Zbl 0815.62019号
[19] EFRON，B.、HASTIE，T.、JOHNSTONE，I.和TIBSHIRANI，R.（2004）。最小角度回归。安。统计师。32号2，407-499·Zbl 1091.62054号
[20] LEBARBIER，E.（2005）。通过模型选择检测高斯过程均值中的多个变化点。信号处理85，编号4717-736·Zbl 1148.94403号
[21] LEDOUX，M.（1996）。关于产品测度的Talagrand偏差不等式。ESAIM:概率与统计1，63-87。http://www.emath.fr/ps/·Zbl 0869.60013号
[22] LE PENNEC，E.和MALLAT，S.（2005年）。稀疏几何图像的带状表示。IEEE传输。《图像处理》第14期，第4期，第423-438页。
[23] LOUBES，J.M.，MASSART，P.（2004）。关于最小角回归的讨论。《统计年鉴》第32卷第2期，第476-482页。
[24] MALLAT，S.（1999）。信号处理的小波之旅。学术出版社·Zbl 0998.94510号
[25] 马洛斯，C.L.（1973）。关于\（C_p\）的一些注释。技术计量学15，661-675·兹比尔0269.62061
[26] 马萨特，P.（2000）。关于Talagrand的经验过程浓度不等式中的常数。《概率年鉴》28，编号2863-884·Zbl 1140.60310号
[27] MASSART，P.（2007）。集中度不等式和模型选择。《概率论和统计学讲座》，《St-Flour XXXII-2003概率》（J.Picard主编）。柏林施普林格1896号数学课堂讲稿·兹比尔1170.60006
[28] REYNAUD-BOURET，P.（2003）。通过浓度不等式自适应估计非均匀泊松过程的强度。普罗巴伯。理论关联。字段126，编号1，103-153·Zbl 1019.62079号
[29] 施瓦茨（1978）。估算模型的维度。统计年鉴6，461-464·Zbl 0379.62005年
[30] TALAGRAND，M.（1996年）。乘积空间中的新的集中不等式。发明。数学。126, 505-563. ·Zbl 0893.60001号
[31] VAPNIK，V.N.（1982）。基于经验数据的相关性估计。纽约州施普林格·Zbl 0499.62005号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。