Composite Likelihood Bayesian Information Criteria for Model Selection in High-Dimensional Data
高维数据模型选择的复合似然贝叶斯信息准则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：摘要属于通用高维模型选择理论，没有明确的面板、时间序列或金融应用依据。
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
高维数据模型选择的复合似然贝叶斯信息准则
- 研究问题
- 在高维数据依赖结构复杂、完整似然难以计算时，如何设计可实施的信息准则，并一致选择真实的边际模型？
- 方法与思路
- 作者提出复合似然版本的 BIC，在候选参数数量随样本量增长的框架中研究选择一致性，并通过模拟考察经验表现。
- 材料陈述的贡献
- 摘要称，新准则在一定正则条件和维度增长速度下具有选择一致性，模拟尤其考察了参数数量随样本量增加的情形。
- 阅读关注点
- 应核对复合似然的组成、复杂度惩罚形式、真实边际模型的定义，以及参数增长速度和候选模型集合所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；正则条件及允许的增长速度未列出，不能将边际模型选择一致性扩大为完整模型恢复。
原文摘要
For high-dimensional data sets with complicated dependency structures, the full likelihood approach often leads to intractable computational complexity. This imposes difficulty on model selection, given that most traditionally used information criteria require evaluation of the full likelihood. We propose a composite likelihood version of the Bayes information criterion (BIC) and establish its consistency property for the selection of the true underlying marginal model. Our proposed BIC is shown to be selection-consistent under some mild regularity conditions, where the number of potential model parameters is allowed to increase to infinity at a certain rate of the sample size. Simulation studies demonstrate the empirical performance of this new BIC, especially for the scenario where the number of parameters increases with sample size. Technical proofs of our theoretical results are provided in the online supplemental materials.