Order selection in finite mixture models: complete or observed likelihood information criteria?
有限混合模型的阶数选择：完全似然还是观测似然信息准则？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：摘要研究通用有限混合模型的阶数选择，未明确用于离散选择、结构估计或因子模型。
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…
有限混合模型的阶数选择：完全似然还是观测似然信息准则？
- 研究问题
- 选择有限混合模型的成分数量时，观测似然与包含成分标签的完全似然信息准则会受到分类不确定性怎样的影响？
- 方法与思路
- 作者比较两类似然信息准则，提出基于观测似然的 aicmix，并分析其阶数一致性和完全似然准则的渐近行为。
- 材料陈述的贡献
- 摘要称 aicmix 具有阶数一致性，完全似然准则在分类不确定性非平凡时渐近低估阶数，并给出模拟比较。
- 阅读关注点
- 应核对 aicmix 的惩罚构造、候选成分数量范围、一致性所需条件，以及分类不确定性的定义和模拟设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件与有限样本优势范围未说明，不能据此认定某准则普遍更优。
原文摘要
Choosing the number of components in a finite mixture model is a challenging task. In this article, we study the behaviour of information criteria for selecting the mixture order, based on either the observed likelihood or the complete likelihood including component labels. We propose a new observed likelihood criterion called aicmix, which is shown to be order consistent. We further show that when there is a nontrivial level of classification uncertainty in the true model, complete likelihood criteria asymptotically underestimate the true number of components. A simulation study illustrates the potentially poor finite-sample performance of complete likelihood criteria, while aicmix and the Bayesian information criterion perform strongly regardless of the level of classification uncertainty.