Regression and time series model selection in small samples
小样本中的回归与时间序列模型选择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：摘要明确涉及自回归、非平稳自回归及自回归移动平均时间序列的模型选择。
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
小样本中的回归与时间序列模型选择
- 研究问题
- 当样本较小或拟合参数占样本量较大比例时，如何修正 AIC 的偏差，并改善回归及自回归时间序列模型的阶数选择？
- 方法与思路
- 作者推导称为 AICC 的 AIC 偏差修正，研究不同真实模型维度下的性质，并讨论非平稳自回归及混合自回归移动平均模型。
- 材料陈述的贡献
- 摘要称，AICC 在真实模型无限维时渐近有效，在有限维情形提供更好的阶数选择；具体比较方法、范围与条件未列出。
- 阅读关注点
- 应核对偏差修正的推导假设、参数计数与有效样本量、渐近效率的定义，以及有限维比较和非平稳模型应用的依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要中的比较优势缺少具体条件和指标，不能解读为 AICC 对所有模型选择任务都最优。
原文摘要
A bias correction to the Akaike information criterion, AIC, is derived for regression and autoregressive time series models. The correction is of particular use when the sample size is small, or when the number of fitted parameters is a moderate to large fraction of the sample size. The corrected method, called AICC, is asymptotically efficient if the true model is infinite dimensional. Furthermore, when the true model is of finite dimension, AICC is found to provide better model order choices than any other asymptotically efficient method. Applications to nonstationary autoregressive and mixed autoregressive moving average time series models are also discussed.