A Note On the Unification of the Akaike Information Criterion
赤池信息准则统一化的一则札记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：摘要研究通用稳健模型选择与信息准则，没有明确涉及所列因果、时间序列或金融细分方向。
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…
赤池信息准则统一化的一则札记
- 研究问题
- 如何在回归误差可能非正态时构造稳健的模型选择准则，同时解释不同赤池信息准则之间的统一关系？
- 方法与思路
- 作者提出广义Kullback–Leibler信息，衡量稳健函数在真实与拟合回归模型下的差异，据此构造三个选择准则。
- 材料陈述的贡献
- 摘要称，其中两个准则可统一多数既有赤池信息准则，并给出三个统一化例子及比较相对表现的模拟研究。
- 阅读关注点
- 应核对广义信息量与稳健函数的定义、三个准则的差别，以及统一化结论覆盖哪些模型和误差分布。
- 阅读边界
- 仅据Crossref摘要，无法判断各准则的适用条件和有限样本优势；摘要未说明具体公式、模拟设计或数值结果。
原文摘要
Summary To measure the distance between a robust function evaluated under the true regression model and under a fitted model, we propose generalized Kullback–Leibler information. Using this generalization we have developed three robust model selection criteria, AICR*, AICCR* and AICCR, that allow the selection of candidate models that not only fit the majority of the data but also take into account non-normally distributed errors. The AICR* and AICCR criteria can unify most existing Akaike information criteria; three examples of such unification are given. Simulation studies are presented to illustrate the relative performance of each criterion.