Full-model estimation for non-parametric multivariate finite mixture models
非参数多元有限混合模型的完整模型估计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：摘要研究通用混合模型和聚类变量选择，未明确涉及分布效应、结构估计或其他给定方向。
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…
非参数多元有限混合模型的完整模型估计
- 研究问题
- 在非参数多元有限混合模型中，如何同时选择混合成分数与能区分成分的变量子集，并保证模型选择的一致性？
- 方法与思路
- 作者将各变量离散化为若干分箱，对所得对数似然施加惩罚，允许成分数上界与分箱数随样本量增长，并研究模型选择。
- 材料陈述的贡献
- 摘要称，适当选择惩罚项时，成分数和相关变量子集的估计具有一致性，并以模拟及基准数据展示方法的应用表现。
- 阅读关注点
- 应核对混合模型的识别条件、成分数上界和分箱数的增长限制、惩罚项选择，以及一致性结论所覆盖的模型范围。
- 阅读边界
- 仅据 Crossref 摘要；惩罚形式、增长速率和识别条件未说明，模拟与基准数据结果也未给出，不能推断有限样本选择准确率。
原文摘要
Abstract This paper addresses the problem of full-model estimation for non-parametric finite mixture models. It presents an approach for selecting the number of components and the subset of discriminative variables (i.e. the subset of variables having different distributions among the mixture components) by considering an upper bound on the number of components (this number being allowed to increase with the sample size). The proposed approach considers a discretization of each variable into B bins and a penalization of the resulting log-likelihood. Considering that the number of bins tends to infinity as the sample size tends to infinity, we prove that our estimator of the model (number of components and subset of relevant variables for clustering) is consistent under a suitable choice of the penalty term. The relevance of our proposal is illustrated on simulated and benchmark data.