摘要
让Y(Y)是高斯向量,其分量与公共未知方差无关。我们考虑估计平均值的问题μ属于Y(Y)通过模型选择。更准确地说,我们从以下线性子空间的集合$\mathcal{S}=\{S_{m},m\in\mathcal{m}\}$开始ℝn个并将其中的每一个关联到μ在S公司米然后,我们使用数据驱动的惩罚准则来选择其中的一个估计量。我们的第一个目标是分析与经典标准(如FPE、AIC、BIC和AMDL)相关的估计量的性能。我们的第二个目标是提出更好的惩罚措施,这些惩罚措施的多样性足以同时考虑到集合$\mathcal{S}$的复杂性和样本大小。然后我们将其应用于解决各种统计问题,如变量选择、变化点检测和信号估计等。我们的结果基于所选估计器关于欧几里德损失的非辛风险界。对于Kullback损失也建立了一些类似的结果。
引用
下载引文
扬尼克·巴拉德(Yannick Baraud)。
克里斯托夫·吉拉德。
西尔维·休特。
“未知方差的高斯模型选择。”
安。统计师。
37
(2)
630 - 672,
2009年4月。
https://doi.org/10.1214/07-AOS573
问询处
发布日期:2009年4月
首次在欧几里得项目中提供:2009年3月10日
数字对象标识符:10.1214/07-AOS573
受试者:
主要用户:62G08号
关键词:自适应估计,AIC公司,AMDL公司,银行识别码,转换点检测,FPE公司,型号选择,处罚标准,变量选择
版权所有©2009数学统计研究所