IMPROVED ESTIMATION OF THE EXPECTED KULLBACK–LEIBLER DISCREPANCY IN CASE OF MISSPECIFICATION
模型误设下期望 Kullback–Leibler 差异的改进估计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：摘要研究一般模型误设、信息准则偏差和模型选择，未明确指向所列时间序列、因果或金融细分领域。
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
模型误设下期望 Kullback–Leibler 差异的改进估计
- 研究问题
- 模型误设时，AIC 对期望 Kullback–Leibler 差异的渐近偏差如何修正，估计改进是否改变模型选择结果？
- 方法与思路
- 作者给出偏差的简单表达式，以构造改进估计量，并在详细考察的例子中比较改进估计与严重偏差估计的选择结果。
- 材料陈述的贡献
- 摘要称，偏差修正可以改善差异估计，但在所分析例子中，据此进行的模型选择与使用严重偏差估计几乎等价。
- 阅读关注点
- 应核对期望差异的目标定义、误设下偏差的来源与修正形式，以及估计改善未明显改变选择结果的具体机制。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断修正公式及例子的覆盖范围；模型选择近似等价不能推广到所有候选模型。
原文摘要
In case of misspecification, the Akaike information criterion (AIC; Akaike, 1973, in Petrov & Csaki, eds., Second International Symposium on Information Theory, pp. 267–281. Budapest: Akademia Kiado) is an asymptotically biased estimator of the expected Kullback–Leibler discrepancy. This paper gives simple expressions for the bias that can be used to construct improved estimators. However, for the examples that are considered in detail it turns out that model selection procedures based on such improved estimators are nearly equivalent to model selection procedures based on severely biased estimators.