Model selection criteria in multivariate models with multiple structural changes
多重结构变化下多元模型的模型选择准则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：摘要直接研究多元回归中的结构断点数量选择及多重结构变化。
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
多重结构变化下多元模型的模型选择准则
- 研究问题
- 在可能存在多个结构断点的多元回归中，如何同时选择解释变量和断点数量，并判断不同选择准则是否一致？
- 方法与思路
- 作者修改 AIC、Mallows’ Cp 与 BIC 的惩罚项，分析选择性质，并用蒙特卡洛模拟比较经典准则及序贯检验。
- 材料陈述的贡献
- 摘要称修正 BIC 能一致选择变量及断点数，而修正 AIC 与 Cp 仍有正概率过拟合；模拟支持修正的有限样本表现。
- 阅读关注点
- 应核对惩罚项如何计入断点估计、选择一致性所需条件，以及模拟中的断点间距、误差依赖和比较程序设置。
- 阅读边界
- 仅依据所给出版社摘要；一致性的具体条件、证明和模拟数值未说明，不能把摘要中的改善概括为所有设计下均占优。
原文摘要
This paper considers the issue of selecting the number of regressors and the number of structural breaks in multivariate regression models in the possible presence of multiple structural changes. We develop a modified Akaike information criterion (AIC), a modified Mallows' Cp criterion and a modified Bayesian information criterion (BIC). The penalty terms in these criteria are shown to be different from the usual terms. We prove that the modified BIC consistently selects the regressors and the number of breaks whereas the modified AIC and the modified Cp criterion tend to overfit with positive probability. The finite sample performance of these criteria is investigated through Monte Carlo simulations and it turns out that our modification is successful in comparison to the classical model selection criteria and the sequential testing procedure robust to heteroskedasticity and autocorrelation.