Predictive inference, sufficiency, entropy and an asymptotic likelihood principle
预测推断、充分性、熵与渐近似然原则AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般预测分布的评价原则，没有明确时间序列、宏观预测或收益预测对象，领域细分证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
预测推断、充分性、熵与渐近似然原则
- 研究问题
- 如何评价用已有样本构造的预测分布对未来样本的描述能力，以及似然、充分性与信息度量能为这种评价提供何种依据？
- 方法与思路
- 作者设置概念性的重复抽样实验来评价预测分布，从似然与充分性的角度讨论熵和 Kullback–Leibler 信息作为近似度量。
- 材料陈述的贡献
- 摘要称该分析导出渐近似然原则，并为使用熵评价参数估计、模型阶数及结构选择程序提供小样本层面的理论依据。
- 阅读关注点
- 应核对重复抽样实验的定义、预测分布与真实分布的比较方式，以及小样本论证和渐近似然原则分别依赖哪些条件。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要。摘要未给出具体准则、估计程序或适用模型，不能推断预测性能或选择一致性。
原文摘要
The objective of inferring stochastic models from a set of data is to obtain the best description, by using a probability model, of the statistical behaviour of future samples of the process. A conceptual repeated sampling experiment is considered for evaluating a predictive distribution used to describe such future observations and leads to an asymptotic likelihood principle. Considerations of likelihood and sufficiency lead to the use of entropy or the Kullback–Leibler information as the natural measure of approximation to the actual distribution by a predictive distribution in repeated samples. This gives a small-sample justification for the use of entropy for evaluating parameter estimation as well as model order and structure determination procedures.