Efficient calibration for imperfect computer models
不完美计算机模型的有效校准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：摘要研究物理计算机模型的统计校准，未知参数校准本身不足以归入经济结构估计。
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
不完美计算机模型的有效校准
- 研究问题
- 当计算机模型存在模型误差，且真实物理观测具有随机性时，如何校准未知参数并获得具有统计效率的估计？
- 方法与思路
- 作者将既有不完美模型校准研究扩展至随机物理数据，提出 L₂ 校准方法，并与普通最小二乘方法进行理论和数值比较。
- 材料陈述的贡献
- 摘要称 L₂ 校准具有半参数效率，而所研究的普通最小二乘方法一致但无效率；数值例子显示新方法表现更好。
- 阅读关注点
- 应核对校准参数的目标定义、模型误差处理、L₂ 准则所用测度，以及效率界和最小二乘比较的共同假设。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未提供效率条件、数值指标或模型误差设定，不能认定新方法在所有校准任务中更优。
原文摘要
Many computer models contain unknown parameters which need to be estimated using physical observations. Tuo and Wu (2014) show that the calibration method based on Gaussian process models proposed by Kennedy and O’Hagan [J. R. Stat. Soc. Ser. B. Stat. Methodol. 63 (2001) 425–464] may lead to an unreasonable estimate for imperfect computer models. In this work, we extend their study to calibration problems with stochastic physical data. We propose a novel method, called the $L_{2}$ calibration, and show its semiparametric efficiency. The conventional method of the ordinary least squares is also studied. Theoretical analysis shows that it is consistent but not efficient. Numerical examples show that the proposed method outperforms the existing ones.