Extending the Akaike Information Criterion to Mixture Regression Models
将赤池信息准则扩展至混合回归模型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：主要内容是通用混合回归的模型选择，自回归仅为扩展方向，不足以确定所列领域细分。
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
将赤池信息准则扩展至混合回归模型
- 研究问题
- 有限混合回归中如何联合选择成分数量和解释变量？摘要指出，成分数量的过度选择可能进一步导致错误保留变量。
- 方法与思路
- 作者提出包含聚类惩罚函数的混合回归准则，研究其渐近效率，以模拟和销售区域管理案例评估，并扩展至混合拟似然及自回归。
- 材料陈述的贡献
- 摘要称新准则改善所考察情形的模型选择，并证明其渐近效率；扩展覆盖非高斯模型、离散响应和具有依赖结构的数据。
- 阅读关注点
- 应核对聚类惩罚的定义、渐近效率的评价目标和条件，以及不同成分协变量、样本量和依赖结构下与既有准则的比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出准则公式、定理条件及改善幅度，不能断言普遍优于 AIC。
原文摘要
We examine the problem of jointly selecting the number of components and variables in finite mixture regression models. We find that the Akaike information criterion is unsatisfactory for this purpose because it overestimates the number of components, which in turn results in incorrect variables being retained in the model. Therefore, we derive a new information criterion, the mixture regression criterion (MRC), that yields marked improvement in model selection due to what we call the “clustering penalty function.” Moreover, we prove the asymptotic efficiency of the MRC. We show that it performs well in Monte Carlo studies for the same or different covariates across components with equal or unequal sample sizes. We also present an empirical example on sales territory management to illustrate the application and efficacy of the MRC. Finally, we generalize the MRC to mixture quasi-likelihood and mixture autoregressive models, thus extending its applicability to non-Gaussian models, discrete responses, and dependent data.