Extended Bayesian information criteria for model selection with large model spaces
大模型空间下用于模型选择的扩展贝叶斯信息准则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：摘要聚焦通用高维变量选择并提及遗传学应用，未直接对应所列经济或金融细分。
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…
大模型空间下用于模型选择的扩展贝叶斯信息准则
- 研究问题
- 候选模型空间庞大、协变量数量随样本量增长时，如何修正普通 BIC 选择过于宽松的问题，并兼顾有效选择与错误发现？
- 方法与思路
- 作者重新考察贝叶斯模型选择框架，提出同时计入未知参数数量与模型空间复杂度的一族扩展 BIC，并开展一致性分析和模拟。
- 材料陈述的贡献
- 摘要称在允许协变量数增长的情形下建立一致性；模拟显示以较小的正向选择率损失换取较严格的错误发现率控制。
- 阅读关注点
- 应核对模型空间复杂度的惩罚形式、调节参数、维度增长速度，以及选择一致性与错误发现率表现各自依赖的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体惩罚和增长条件未说明，模拟中的错误发现率表现不能直接视为统一有限样本保证。
原文摘要
The ordinary Bayesian information criterion is too liberal for model selection when the model space is large. In this paper, we re-examine the Bayesian paradigm for model selection and propose an extended family of Bayesian information criteria, which take into account both the number of unknown parameters and the complexity of the model space. Their consistency is established, in particular allowing the number of covariates to increase to infinity with the sample size. Their performance in various situations is evaluated by simulation studies. It is demonstrated that the extended Bayesian information criteria incur a small loss in the positive selection rate but tightly control the false discovery rate, a desirable property in many applications. The extended Bayesian information criteria are extremely useful for variable selection in problems with a moderate sample size but with a huge number of covariates, especially in genome-wide association studies, which are now an active area in genetics research.