Comparing Misspecified Models with Big Data: A Variational Bayesian Perspective
大数据下错设模型的比较：变分贝叶斯视角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：摘要核心是通用变分预测风险与模型比较，经济金融应用未提供足以归入具体方向的信息。
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…
大数据下错设模型的比较：变分贝叶斯视角
- 研究问题
- 在大数据与模型错设同时存在时，如何评价变分后验所产生的预测分布，并构造能够比较不同模型预测风险的信息准则？
- 方法与思路
- 作者以真实数据生成密度与变分预测分布之间的期望 KL 散度定义风险，据此提出两个信息准则，并分析其渐近偏差。
- 材料陈述的贡献
- 摘要称在一定正则条件下，两项准则分别渐近无偏地估计对应风险；数值模拟及经济、金融应用用于展示错设模型比较的效果。
- 阅读关注点
- 应核对两个风险目标及信息准则的区别、正则条件、变分近似误差的处理，以及大数据规模与模型维度在渐近分析中的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出正则条件、准则公式或应用细节，无法据此确认一般预测优势。
原文摘要
Optimal data detection in massive multiple-input multiple-output (MIMO) systems often requires prohibitively high computational complexity. A variety of detection algorithms have been proposed in the literature, offering different trade-offs between complexity and detection performance. In recent years, Variational Bayes (VB) has emerged as a widely used method for addressing statistical inference in the context of massive data. This study focuses on misspecified models and examines the risk functions associated with predictive distributions derived from variational posterior distributions. These risk functions, defined as the expectation of the Kullback-Leibler (KL) divergence between the true data-generating density and the variational predictive distributions, provide a framework for assessing predictive performance. We propose two novel information criteria for predictive model comparison based on these risk functions. Under certain regularity conditions, we demonstrate that the proposed information criteria are asymptotically unbiased estimators of their respective risk functions. Through comprehensive numerical simulations and empirical applications in economics and finance, we demonstrate the effectiveness of these information criteria in comparing misspecified models in the context of massive data.