Bias of the corrected AIC criterion for underfitted regression and time series models
欠拟合回归与时间序列模型中修正 AIC 的偏差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：摘要明确分析自回归候选模型，并以无限阶自回归过程模拟，直接对应时间序列模型选择。
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
欠拟合回归与时间序列模型中修正 AIC 的偏差
- 研究问题
- 当所有候选模型都不包含真实模型时，AIC 与修正 AIC 对预期 Kullback–Leibler 信息的估计偏差有何差异？
- 方法与思路
- 作者在正态线性回归和自回归候选模型中分析欠拟合偏差，并以真实模型为无限阶自回归的模拟比较模型选择。
- 材料陈述的贡献
- 摘要称修正 AIC 的偏差通常更小，有时显著缩小；所述无限阶自回归模拟中，中等样本下的模型选择也更好。
- 阅读关注点
- 应核对欠拟合的定义、偏差展开的条件、候选阶数与样本量设定，以及模拟中衡量模型选择表现的具体标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；偏差条件与模拟细节未说明，不能将所述优势推广到所有模型或选择目标。
原文摘要
The Akaike Information Criterion, AIC (Akaike, 1973), and a bias-corrected version, AICC(Sugiura, 1978; Hurvich & Tsai, 1989) are two methods for selection of regression and autoregressive models. Both criteria may be viewed as estimators of the expected Kullback-Leibler information. The bias of AIC and AICC is studied in the underfitting case, where none of the candidate models includes the true model (Shibata, 1980, 1981; Parzen, 1978). Both normal linear regression and autoregressive candidate models are considered. The bias of AICC is typically smaller, often dramatically smaller, than that of AIC. A simulation study in which the true model is an infinite-order autoregression shows that, even in moderate sample sizes, AICC provides substantially better model selections than AIC.