Comparing and Weighting Imperfect Models Using D-Probabilities
用 D 概率比较和加权不完美模型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：摘要讨论通用模型比较、拟合评价与模型聚合；线性模型和臭氧应用不足以支持所列经济或金融细分方向。
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…
关注这篇论文的作者
用 D 概率比较和加权不完美模型
- 研究问题
- 当候选参数模型都可能存在误设时，如何相对于更灵活的参考模型评价拟合、比较模型，并为模型聚合提供权重？
- 方法与思路
- 作者依据参数模型与非参数贝叶斯参考之间的 Kullback–Leibler 散度构造 D 概率，并给出高斯过程参考下的线性模型示例。
- 材料陈述的贡献
- 摘要称 D 概率可减轻部分贝叶斯模型概率的先验敏感性，保留更丰富的模型权重，并在线性模型示例中自动惩罚复杂度。
- 阅读关注点
- 应核对 D 概率的完整定义、参考模型和先验的作用、模型权重的概率解释，以及复杂度惩罚和渐近性质的具体条件。
- 阅读边界
- 所给 OpenAlex 摘要开头残缺，稿件版本未注明；不能补全缺失定义，也不能据此确认稳健性范围或推断刊本变化。
原文摘要
), relying on evaluating parametric models relative to a nonparametric Bayesian reference using Kullback-Leibler divergence. D-probabilities are useful in goodness-of-fit assessments, in comparing imperfect models, and in providing model weights to be used in model aggregation. D-probabilities avoid some of the disadvantages of Bayesian model probabilities, such as large sensitivity to prior choice, and tend to place higher weight on a greater diversity of models. In an application to linear model selection against a Gaussian process reference, we provide simple analytic forms for routine implementation and show that D-probabilities automatically penalize model complexity. Some asymptotic properties are described, and we provide interesting probabilistic interpretations of the proposed model weights. The framework is illustrated through simulation examples and an ozone data application.