Regression Model Selection—A Residual Likelihood Approach
回归模型选择：残差似然方法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：摘要明确将具有自回归移动平均误差的回归模型纳入准则构造与模拟比较，因此涉及时间序列模型选择。
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
回归模型选择：残差似然方法
- 研究问题
- 如何利用残差似然构造回归模型选择准则，并考察其一致性及在不同样本量、信噪比和误差结构下的模型阶数选择表现？
- 方法与思路
- 作者由残差对数似然构造 RIC，覆盖经典回归、Box–Cox 变换、加权回归及 ARMA 误差模型，并与多种准则进行模拟比较。
- 材料陈述的贡献
- 摘要称，RIC 具有一致性，并在所研究的多种模拟情形中提供较好的阶数选择；小样本且信号弱时，各准则均表现不佳。
- 阅读关注点
- 应核对 RIC 的惩罚形式、一致性所需条件、候选模型设置，以及模拟中的信噪比、评价标准和相对 BIC 的表现边界。
- 阅读边界
- 仅依据所给 Crossref 摘要；一致性条件、模拟参数和差异数值未说明，所述比较不能推广为 RIC 在所有场景下更优。
原文摘要
Summary We obtain the residual information criterion RIC, a selection criterion based on the residual log-likelihood, for regression models including classical regression models, Box–Cox transformation models, weighted regression models and regression models with autoregressive moving average errors. We show that RIC is a consistent criterion, and that simulation studies for each of the four models indicate that RIC provides better model order choices than the Akaike information criterion, corrected Akaike information criterion, final prediction error, Cp and Radj2, except when the sample size is small and the signal-to-noise ratio is weak. In this case, none of the criteria performs well. Monte Carlo results also show that RIC is superior to the consistent Bayesian information criterion BIC when the signal-to-noise ratio is not weak, and it is comparable with BIC when the signal-to-noise ratio is weak and the sample size is large.