Order Selection in Finite Mixture Models With a Nonsmooth Penalty
利用非光滑惩罚选择有限混合模型的阶数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：摘要研究一般有限混合模型的阶数选择，未明确对应离散选择或结构估计。
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
利用非光滑惩罚选择有限混合模型的阶数
- 研究问题
- 有限混合模型中，如何同时确定混合成分数量并估计混合分布，避免阶数选择与参数估计相互割裂？
- 方法与思路
- 作者提出 MSCAD 惩罚似然方法，分别针对混合比例与成分参数设置惩罚，以联合处理阶数和分布估计。
- 材料陈述的贡献
- 摘要称该方法能一致估计混合阶数及混合分布，模拟优于若干已有方法，并以两个真实数据实例展示表现。
- 阅读关注点
- 应核对两种惩罚的形式、混合模型可识别性条件、调参及优化方式，以及模拟比较采用的模型与评价标准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；一致性条件、比较细节及具体数值未提供，不能推断刊本变化或普遍优势。
原文摘要
Order selection is a fundamental and challenging problem in the application of finite mixture models. In this article, we develop a new penalized likelihood approach. The new method, modified smoothly clipped absolute deviation (MSCAD), deviates from information-based methods such as Akaike information criterion (AIC) and Bayesian information criterion (BIC) by introducing two penalty functions that depend on the mixing proportions and the component parameters. It is consistent at estimating both the order of the mixture model and the mixing distribution. Simulations show that MSCAD has much better performance than a number of existing methods. Two real-data examples are examined to illustrate the performance of MSCAD.