Regression Model Selection Under General Conditions
一般条件下的回归模型选择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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要属于通用模型选择理论，列举多类模型与数据但未聚焦任何给定领域细分。
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
一般条件下的回归模型选择
- 研究问题
- 能否用统一理论说明多类回归模型、估计方法和数据结构下的模型选择准则具有渐近最优性，减少逐类证明的需要？
- 方法与思路
- 作者提出一般条件下的渐近最优性证明框架，旨在统一不同模型、估计方法、依赖结构和选择准则的理论论证。
- 材料陈述的贡献
- 摘要称该框架统一并扩展多项此前分散的结果，为广泛情形中的模型选择准则提供渐近依据，但未列出具体定理。
- 阅读关注点
- 应核对最优性的损失函数与比较对象、候选模型集合和一般条件，并检查各类模型如何满足这些条件及是否存在例外。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实；摘要未给出条件、定理范围或有限样本结果，不能认定任意准则均适用。
原文摘要
Model selection criteria are one of the most important tools in statistics. Proofs showing a model selection criterion is asymptotically optimal are tailored to the type of model (linear regression, quantile regression, penalized regression, etc.), the estimation method (linear smoothers, maximum likelihood, generalized method of moments, etc.), the type of data (i.i.d., dependent, high dimensional, etc.), and the type of model selection criterion. Moreover, assumptions are often restrictive and unrealistic making it a slow and winding process for researchers to determine if a model selection criterion is selecting an optimal model. This paper provides general proofs showing asymptotic optimality for a wide range of model selection criteria under general conditions. This paper not only asymptotically justifies model selection criteria for most situations, but it also unifies and extends a range of previously disparate results.