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：摘要讨论通用预测推断与模型评价，未明确涉及所列经济或金融细分方向。
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
- 如何评价概率模型对未来样本统计行为的描述，并为参数估计、模型阶数与结构选择提供统一的评价依据？
- 方法与思路
- 作者考虑评价预测分布的概念性重复抽样实验，结合似然与充分性，讨论熵及 Kullback–Leibler 信息的评价作用。
- 材料陈述的贡献
- 摘要称该框架导出渐近似然原则，并为使用熵评价参数估计、模型阶数及结构确定程序提供小样本层面的理由。
- 阅读关注点
- 应核对重复抽样实验与预测分布的定义、充分性在论证中的作用，以及小样本理由与渐近似然原则的具体联系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体损失定义、适用模型及证明，不能据此认定某程序最优。
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.