Smooth Information Criterion for Variable Selection in Generalised Linear Models
广义线性模型变量选择的平滑信息准则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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论通用广义线性模型的变量选择，未提供与所列经济计量细分方向直接对应的证据。
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
广义线性模型变量选择的平滑信息准则
- 研究问题
- 以连续光滑优化替代离散模型搜索时，能否忠实复现广义线性模型的BIC变量选择，尤其是在信号强度接近选择边界时？
- 方法与思路
- 作者平滑模型维数惩罚，并通过逐步收紧平滑近似的延续策略优化；在可行规模下，以穷举BIC模型选择作为直接比较基准。
- 材料陈述的贡献
- 摘要称，模拟中的方法接近穷举BIC选择，预测表现与比较方法大体相当；一个含十六个候选变量的应用找到了全局BIC最优模型。
- 阅读关注点
- 应核对延续策略、优化初始化和停止规则，区分应用中的全局最优结果与普遍保证，并检查各比较方法的调参与计算成本口径。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未给出普遍全局最优保证，也未充分说明模拟条件与计算环境。
原文摘要
Variable selection using information criteria has an explicit statistical target but requires discrete search over candidate models. The smooth information criterion (SIC) replaces the discontinuous model-dimension term by a differentiable approximation, with an $ε$-telescoping continuation strategy progressively sharpening this approximation without data-driven selection of a regularisation-strength parameter. We develop SIC as a general procedure for coefficient-level variable selection in generalised linear models (GLMs) and use it to address a central question: how faithfully does smooth optimisation reproduce the corresponding discrete information-criterion selection problem? Focusing on BIC, we benchmark SIC directly against exhaustive subset selection where feasible, using exact support agreement, BIC difference and selection behaviour across a varying signal-strength boundary. Simulations in Gaussian, binomial and Poisson regression show that SIC closely reproduces exhaustive BIC selection and tracks the exact BIC selection boundary. Relative to stepwise BIC, LASSO, SCAD and MCP, SIC produces competitive variable-selection performance while retaining sparse models, with predictive performance broadly comparable across methods. Computational advantages over stepwise BIC increase with predictor dimension. In a real-data application with 16 candidate predictors, SIC recovers the globally BIC-optimal model among all 65,536 supports at a small fraction of the computational cost of exhaustive enumeration.