https://zbmath.org/atom/ai/gao.xin 2024-06-14T15:52:26.7737412z Werkzeug公司 https://zbmath.org/1534.62068 2024-06-14T15:52:26.7737412z “高，新” https://zbmath.org/authors/？q=ai:gao.xin “蒲，Daniel Q。” https://zbmath.org/authors/？q=ai:pu.daniel-q个 “吴月华” https://zbmath.org/authors/？q=ai:wu.yuehua “徐，洪” https://zbmath.org/authors/？q=ai:xu.hong 摘要：在高斯图形模型中，两个变量之间的条件独立性由逆协方差矩阵中相应的零项表示。使用平滑剪裁绝对偏差（SCAD）惩罚的最大似然法[\textit{J.Fan}和\textit}R.Li}，J.Am.Stat。文献中提出了Assoc.96，No.456，1348--1360（2001；Zbl 1073.62547）]。在本文中，我们建立了当p固定时，使用贝叶斯信息准则（BIC）在带有SCAD惩罚的惩罚似然估计中选择调整参数可以导致一致的图形模型选择的结果。当（p）随样本量增加而增加时，提出了一种带有额外惩罚项的修正BIC。在（p）趋于无穷大且所有真边都包含在一个有界子集中的条件下，它可以一致地选择真实的图形模型。我们比较了BIC和交叉验证方法的经验性能，并通过仿真研究证明了BIC准则对于稀疏图形模型的优越性能。