Adaptive Model Selection
自适应模型选择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：摘要研究通用回归模型选择与复杂度惩罚，未提供对应所给经济或金融领域细分的直接文本依据。
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
自适应模型选择
- 研究问题
- 固定复杂度惩罚在不同模型规模下表现各异，能否利用数据调整惩罚，使模型选择接近一组固定惩罚程序中的最佳表现？
- 方法与思路
- 作者基于广义自由度构造数据自适应复杂度惩罚，并将其用于非参数回归的小波阈值选择和最小二乘变量选择。
- 材料陈述的贡献
- 摘要称，程序在多种情形下近似其比较类别的最佳表现，该类别含 AIC、BIC 等方法；模拟和渐近分析支持其有效性。
- 阅读关注点
- 应核对广义自由度的定义与估计、惩罚调整的具体规则、比较程序类别，以及近似最佳表现的评价尺度和理论条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未给出近似界、模拟数值或适用条件，不能声称普遍优于所有模型选择方法。
原文摘要
Most model selection procedures use a fixed penalty penalizing an increase in the size of a model. These nonadaptive selection procedures perform well only in one type of situation. For instance, Bayesian information criterion (BIC) with a large penalty performs well for “small” models and poorly for “large” models, and Akaike's information criterion (AIC) does just the opposite. This article proposes an adaptive model selection procedure that uses a data-adaptive complexity penalty based on a concept of generalized degrees of freedom. The proposed procedure, combining the benefit of a class of nonadaptive procedures, approximates the best performance of this class of procedures across a variety of different situations. This class includes many well-known procedures, such as AIC, BIC, Mallows's Cp, and risk inflation criterion (RIC). The proposed procedure is applied to wavelet thresholding in nonparametric regression and variable selection in least squares regression. Simulation results and an asymptotic analysis support the effectiveness of the proposed procedure.