Model selection using wavelet decomposition and applications
利用小波分解进行模型选择及其应用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：摘要以通用回归模型选择和小波检验为主，未充分明确所列领域细分中的具体研究对象。
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
利用小波分解进行模型选择及其应用
- 研究问题
- 如何利用小波系数选择回归模型的复杂度，并将这一选择规则用于纯白噪声检验及非参数回归中的无效应检验？
- 方法与思路
- 作者使用最小描述长度准则确定非零小波系数的数量，研究选择规则的一致性，并通过模拟考察选择分布与检验功效。
- 材料陈述的贡献
- 摘要称，论文建立选择规则的一致性性质，并展示其在白噪声与无回归效应检验中的应用，提供相关模拟考察。
- 阅读关注点
- 应核对小波基与候选模型的设定、描述长度的计算方式，以及一致性的条件和检验校准方法，并查看模拟覆盖范围。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断一致性的具体含义、检验尺寸或功效数值，也不能认定该准则优于其他方法。
原文摘要
In this paper we discuss how to use wavelet decompositions to select a regression model. The methodology relies on a minimum description length criterion which is used to determine the number of nonzero coefficients in the vector of wavelet coefficients. Consistency properties of the selection rule are established and simulation studies reveal information on the distribution of the minimum description length selector. We then apply the selection rule to specific problems, including testing for pure white noise. The power of this test is investigated via simulation studies and the selection criterion is also applied to testing for no effect in nonparametric regression.