A General Akaike-Type Criterion for Model Selection in Robust Regression
稳健回归模型选择的一般 Akaike 型准则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：摘要讨论一般稳健回归的模型选择与独立新观测预测，未指定宏观预测或收益预测对象，故不归入预测细分。
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…
稳健回归模型选择的一般 Akaike 型准则
- 研究问题
- 对于最小绝对偏差等采用不同拟合损失的回归方法，如何构造与其预测误差相适应的一般模型选择准则？
- 方法与思路
- 作者提出适用于多类损失函数的 Akaike 型准则，要求损失凸、有唯一最小值且在期望意义下二次可微，并进行模拟。
- 材料陈述的贡献
- 摘要称，该准则将模型选择扩展到多种拟合损失，模拟显示所提出的估计量能较好近似各自对应的预测误差。
- 阅读关注点
- 应核对目标预测误差和修正项的定义、期望二次可微如何容纳非光滑损失，以及准则在不同候选模型下的表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出准则公式、模拟范围或模型选择一致性，不能推断普遍最优。
原文摘要
Akaike's procedure (1970) for selecting a model minimises an estimate of the expected squared error in predicting new, independent observations. This selection criterion was designed for models fitted by least squares. A different model-fitting technique, such as least absolute deviation regression, requires an appropriate model selection procedure. This paper presents a general Akaike-type criterion applicable to a wide variety of loss functions for model fitting. It requires only that the function be convex with a unique minimum, and twice differentiable in expectation. Simulations show that the estimators proposed here well approximate their respective prediction errors.