Akaike-type criteria and the reliability of inference: Model selection versus statistical model specification
Akaike 型准则与推断可靠性：模型选择和统计模型设定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：摘要讨论通用模型选择、模型验证与推断原则，没有足够文本依据归入给定应用细分。
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
Akaike 型准则与推断可靠性：模型选择和统计模型设定
- 研究问题
- 在预先给定的模型族内用信息准则选择简约模型，是否充分处理了模型验证与错误概率，从而支持可靠的统计推断？
- 方法与思路
- 作者从统计模型设定角度批评信息准则，主张检查数据是否为所设随机过程的典型实现，并以统计充分性替代拟合与简约权衡。
- 材料陈述的贡献
- 摘要提出，模型选择忽略验证及相关错误概率可能损害推断可靠性，并主张以模型能否解释数据规律作为设定标准。
- 阅读关注点
- 应核对“统计充分性”的操作定义、模型验证程序及错误概率论证，区分作者的一般主张与具体例子能够支持的结论。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断其普遍性批评的论证范围；不能将作者观点直接表述为已验证的统一结论。
原文摘要
Since the 1990s, the Akaike Information Criterion (AIC) and its various modifications/extensions, including BIC, have found wide applicability in econometrics as objective procedures that can be used to select parsimonious statistical models. The aim of this paper is to argue that these model selection procedures invariably give rise to unreliable inferences, primarily because their choice within a prespecified family of models (a) assumes away the problem of model validation, and (b) ignores the relevant error probabilities. This paper argues for a return to the original statistical model specification problem, as envisaged by Fisher (1922), where the task is understood as one of selecting a statistical model in such a way as to render the particular data a truly typical realization of the stochastic process specified by the model in question. The key to addressing this problem is to replace trading goodness-of-fit against parsimony with statistical adequacy as the sole criterion for when a fitted model accounts for the regularities in the data.