Consistent Variable Selection in Linear Models
线性模型中的一致变量选择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：摘要研究一般线性模型的维数与变量选择，没有明确的面板、因果、预测对象或金融应用，所列细分分类证据不足。
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
线性模型中的一致变量选择
- 研究问题
- 在线性模型中，如何设计惩罚与变量排序方法，使模型维数估计和变量选择具备一致性，并减少子集搜索的计算量？
- 方法与思路
- 作者结合一类新的惩罚函数与基于 t 统计量的协变量排序，构造推广多种信息准则的选择标准，并用模拟考察表现。
- 材料陈述的贡献
- 摘要称新准则在一定条件下一致、计算量少于遍历全部子集的重抽样方法，并报告模拟中优于 Cp 与 AIC 的表现。
- 阅读关注点
- 应核对惩罚函数的具体形式、一致性所需条件、排序与搜索步骤，以及有限样本比较采用的模型配置和评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出一致性条件和模拟数值，不能将有限模拟优势推广为普遍优越性。
原文摘要
A method of estimating linear model dimension and variable selection is proposed. This new criterion, which generalizes the Cp criterion, the Akaike information criterion (AIC), the Bayes information criterion, and the phiv criterion and is consistent under certain conditions, is based on a new class of penalty functions and a procedure of sorting covariates based on t-statistics. In the course of introducing this method, we discuss the important role of the penalty function in the consistency of model dimension estimation and in variable selection. The proposed method requires less computation than resampling-based methods that search over all subsets of covariates for the true model. Simulation results show that the new method is superior to the Cp criterion and AIC in finite-sample situations as well.