佐藤友美 潜在增长曲线混合模型中模型选择的信息准则的性能。 （英语） Zbl 1326.62014年 J.Jpn.杂志。Soc.计算。斯达。 27，第1期，17-48（2014）. 摘要：考虑到真实模型复杂性和模型错误指定的影响，进行了新的模拟研究，以研究基于似然和基于熵的信息准则在估计潜在增长曲线混合模型中的类数时的性能。仿真结果可以概括为：（1）模型复杂性的增加会恶化所有准则的性能，这在贝叶斯信息准则（BIC）和一致性阿凯克信息准则（CAIC）中尤为明显。（2） 分类似然信息准则（CLC）和带BIC近似的完整似然准则（ICL.BIC）经常低估类的数量。（3） 基于熵的标准可以更频繁地正确估计类的数量。（4） 当正态混合不正确地拟合非正态数据（包括离群值）时，尽管这会严重恶化许多标准（BIC、CAIC和ICL）的性能。BIC相对稳健。此外，过度萃取当样本量较大时，混合比例较小的类可以被检测到。（5）当存在测量上限时，尽管这会恶化几乎所有准则的性能，但基于熵的准则是稳健的。（6） 尽管没有一个标准总是最好的，ICL。BIC平均表现更好。 引用于1文件 MSC公司： 62B10型 信息理论主题的统计方面 2015年1月62日 贝叶斯推断 关键词：信息标准;型号选择;潜在增长曲线混合模型;纵向数据;潜在增长曲线模型 PDF格式BibTeX公司 XML格式引用 \文本｛S.Usami｝，J.Jpn。Soc.计算。Stat.27，No.1，17-48（2014；Zbl 1326.62014） 全文： 内政部