吕金池;刘军S。 错误指定模型中的模型选择原则。 (英语) 兹比尔1411.62218 J.R.Stat.Soc.,塞尔维亚。B、 统计方法。 76,第1期,141-167(2014). 概要:模型选择对许多当代应用中的高维建模具有根本重要性。经典的模型选择原则包括贝叶斯原理和Kullback-Leibler发散原理,当正确指定模型时,这两个原理分别导致贝叶斯信息准则和Akaike信息准则。然而,在实践中,模型错误指定是不可避免的。我们导出了错误指定的广义线性模型中两个著名原理的新的渐近展开式,给出了广义贝叶斯信息准则和广义Akaike信息准则。由Kullback-Leibler发散原理驱动的先验概率的一种特定形式导致了具有先验概率(\mathrm)的广义贝叶斯信息准则{GBIC}_p\)它可以自然地分解为负最大拟长似然、模型维数惩罚和模型错误指定惩罚的总和。数值研究表明,在正确指定和错误指定的模型中,新的模型选择方法都具有优势。 引用于29文件 MSC公司: 62J12型 广义线性模型(逻辑模型) 62J07型 岭回归;收缩估计器(拉索) 62F07型 统计排名和选择程序 2015年1月62日 贝叶斯推断 62B10型 信息理论主题的统计方面 关键词:Akaike信息准则;贝叶斯信息准则;贝叶斯原理;广义Akaike信息准则;广义贝叶斯信息准则;具有先验概率的广义贝叶斯信息准则;Kullback-Leibler散度原理;型号规格错误;型号选择 PDF格式BibTeX公司 XML格式引用 \textit{J.Lv}和\textit{J.S.Liu},J.R.Stat.Soc.,Ser。B、 统计方法。76,编号141--167(2014;兹bl 1411.62218) 全文: DOI程序 arXiv公司