On Predictive Least Squares Principles
论预测最小二乘准则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：摘要讨论一般随机回归模型选择，未明确限定宏观时间序列、宏观预测或金融收益预测。
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
论预测最小二乘准则
- 研究问题
- 累积平方预测误差的模型选择准则能否解释为拟合与复杂度惩罚的组合，其一致性及与 BIC 的关系如何？
- 方法与思路
- 作者分解 PLS 准则，给出随机回归下强一致性的充分条件，研究遍历模型中与 BIC 的渐近等价，并提出基于 Fisher 信息的 FIC。
- 材料陈述的贡献
- 摘要称建立 PLS 的惩罚解释与一致性条件；新提出的 FIC 保留其多数渐近性质，并缓解部分有限样本困难。
- 阅读关注点
- 应核对预测误差的累积方式、候选模型条件、遍历性要求、渐近等价的含义，以及 FIC 缓解的具体有限样本问题。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未说明 FIC 的完整定义和比较结果，不能将性质相近理解为普遍更优。
原文摘要
Recently, Rissanen proposed a new model selection criterion PLS that selects the model that minimizes the accumulated squares of prediction errors. Usually, the information-based criteria, such as AIC and BIC, select the model that minimizes a loss function which can be expressed as a sum of two terms. One measures the goodness of fit and the other penalizes the complexity of the selected model. In this paper we provide such an interpretation for PLS. Using this relationship, we give sufficient conditions for PLS to be strongly consistent in stochastic regression models. The asymptotic equivalence between PLS and BIC for ergodic models is then studied. Finally, based on the Fisher information, a new criterion FIC is proposed. This criterion shares most asymptotic properties with PLS while removing some of the difficulties encountered by PLS in a finite-sample situation.