The E-MS Algorithm: Model Selection With Incomplete Data
E-MS 算法：不完整数据下的模型选择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：摘要讨论不完整数据下的通用模型选择，农业应用不足以支持所列经济计量细分分类。
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
E-MS 算法：不完整数据下的模型选择
- 研究问题
- 当数据存在缺失时，如何在迭代处理中同时更新候选模型及其参数，并使最终选出的模型具有可论证的统计性质？
- 方法与思路
- 作者将模型本身纳入 EM 式迭代，在有限候选模型集合中构造 E-MS 算法，并考察广义信息准则与自适应围栏两种实现。
- 材料陈述的贡献
- 摘要称证明了采用这两类选择准则时的数值收敛及极限模型的选择一致性，并研究缺失机制影响、模拟表现和大麦研究应用。
- 阅读关注点
- 应核对模型更新和参数更新的具体步骤、选择准则及一致性条件，并区分数值迭代收敛与样本量增加时的模型选择一致性。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要。候选模型有限是明确限制；缺失机制的具体影响与比较结果未详述，不能推断刊本变化。
原文摘要
We propose a procedure associated with the idea of the E-M algorithm for model selection in the presence of missing data. The idea extends the concept of parameters to include both the model and the parameters under the model, and thus allows the model to be part of the E-M iterations. We develop the procedure, known as the E-MS algorithm, under the assumption that the class of candidate models is finite. Some special cases of the procedure are considered, including E-MS with the generalized information criteria (GIC), and E-MS with the adaptive fence (AF; Jiang et al.). We prove numerical convergence of the E-MS algorithm as well as consistency in model selection of the limiting model of the E-MS convergence, for E-MS with GIC and E-MS with AF. We study the impact on model selection of different missing data mechanisms. Furthermore, we carry out extensive simulation studies on the finite-sample performance of the E-MS with comparisons to other procedures. The methodology is also illustrated on a real data analysis involving QTL mapping for an agricultural study on barley grains. Supplementary materials for this article are available online.