On the Distributional Properties of Model Selection Criteria
模型选择准则的分布性质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：摘要讨论通用模型选择与交叉验证，未限定宏观或金融预测对象，因而不足以归入相应预测细分领域。
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
模型选择准则的分布性质
- 研究问题
- 模型选择中的复杂度惩罚应如何确定，怎样把简约原则转化为可分析的准则，并据此安排交叉验证的数据划分？
- 方法与思路
- 作者研究广义最终预测误差准则及其分布性质，讨论惩罚项选择，并将相关结果用于理解交叉验证划分和小样本表现。
- 材料陈述的贡献
- 摘要提出多数实际情形可考虑将惩罚项取在 1.5 至 5 之间，并称其结果可为交叉验证的数据划分提供认识。
- 阅读关注点
- 应核对惩罚项的尺度与参数化、建议范围适用的模型条件，以及数据划分结论是否依赖样本量和候选模型结构。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；惩罚范围是摘要中的作者建议，缺少具体定义与条件时不能直接套用。
原文摘要
It is commonly accepted that statistical modeling should follow the parsimony principle; namely, that simple models should be given priority whenever possible. But little quantitative knowledge is known concerning the amount of penalty (for complexity) regarded as allowable. We try to understand the parsimony principle in the context of model selection. In particular, the generalized final prediction error criterion is considered, and we argue that the penalty term should be chosen between 1.5 and 5 for most practical situations. Applying our results to the cross-validation criterion, we obtain insights into how the partition of data should be done. We also discuss the small sample performance of our methods.