The Focused Information Criterion
聚焦信息准则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。
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：摘要讨论通用似然模型选择与目标参数精度，没有直接指向所列应用细分。
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
聚焦信息准则
- 研究问题
- 当模型用于估计某个特定目标参数时，如何依据该参数的估计精度选择模型，而非只评价模型整体表现？
- 方法与思路
- 作者在大样本似然推断框架下估计各子模型估计量的精度，并以极限风险的无偏估计构造聚焦信息准则。
- 材料陈述的贡献
- 摘要提出随目标参数改变的模型选择准则，讨论其性质及与 AIC 的联系，并通过多种情形展示使用方法。
- 阅读关注点
- 应核对目标参数与候选子模型如何定义、极限风险如何估计，以及选模后推断是否需要额外调整。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明完整渐近条件，也不足以判断该准则在具体任务中的优越性。
原文摘要
A variety of model selection criteria have been developed, of general and specific types. Most of these aim at selecting a single model with good overall properties, for example, formulated via average prediction quality or shortest estimated overall distance to the true model. The Akaike, the Bayesian, and the deviance information criteria, along with many suitable variations, are examples of such methods. These methods are not concerned, however, with the actual use of the selected model, which varies with context and application. The present article takes the view that the model selector should instead focus on the parameter singled out for interest; in particular, a model that gives good precision for one estimand may be worse when used for inference for another estimand. We develop a method that, for a given focus parameter, estimates the precision of any submodel-based estimator. The framework is that of large-sample likelihood inference. Using an unbiased estimate of limiting risk, we propose a focused information criterion for model selection. We investigate and discuss properties of the method, establish some connections to Akaike's information criterion, and illustrate its use in a variety of situations.