Gaussian model selection with an unknown variance
未知方差下的高斯模型选择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：摘要明确列出变点检测应用，为结构变化方向提供直接依据，其余内容属于通用模型选择。
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…
未知方差下的高斯模型选择
- 研究问题
- 高斯观测具有共同未知方差时，如何从线性子空间对应的估计量中选择均值估计，并兼顾模型集合复杂度与样本量？
- 方法与思路
- 作者用数据驱动的惩罚准则选择子空间最小二乘估计量，分析经典准则，并以非渐近风险界指导新惩罚的设计。
- 材料陈述的贡献
- 摘要称，论文给出欧氏损失的非渐近风险界及部分 Kullback 损失结果，并应用于变量选择、变点检测和信号估计。
- 阅读关注点
- 应核对未知方差的处理、惩罚对模型集合复杂度的依赖、风险界成立条件，以及变点检测应用的模型设定。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；惩罚公式、风险界常数和比较条件未说明，不能断言全面优于经典准则。
原文摘要
Let Y be a Gaussian vector whose components are independent with a common unknown variance. We consider the problem of estimating the mean μ of Y by model selection. More precisely, we start with a collection $\mathcal{S}=\{S_{m},m\in\mathcal{M}\}$ of linear subspaces of ℝn and associate to each of these the least-squares estimator of μ on Sm. Then, we use a data driven penalized criterion in order to select one estimator among these. Our first objective is to analyze the performance of estimators associated to classical criteria such as FPE, AIC, BIC and AMDL. Our second objective is to propose better penalties that are versatile enough to take into account both the complexity of the collection $\mathcal{S}$ and the sample size. Then we apply those to solve various statistical problems such as variable selection, change point detections and signal estimation among others. Our results are based on a nonasymptotic risk bound with respect to the Euclidean loss for the selected estimator. Some analogous results are also established for the Kullback loss.