Order Selection in Finite Mixture Models With a Nonsmooth Penalty
采用非光滑惩罚的有限混合模型阶数选择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。
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：摘要研究通用有限混合模型的阶数选择，未明确对应所列经济计量细分方向。
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
采用非光滑惩罚的有限混合模型阶数选择
- 研究问题
- 有限混合模型的成分个数难以确定，如何利用惩罚似然同时选择模型阶数并估计混合分布？
- 方法与思路
- 作者提出 MSCAD 惩罚似然方法，引入分别依赖混合权重和成分参数的两类惩罚，并开展模拟及真实数据分析。
- 材料陈述的贡献
- 摘要称 MSCAD 对混合模型阶数和混合分布的估计具有一致性，模拟中优于部分已有方法，并提供两个应用示例。
- 阅读关注点
- 应核对两类惩罚的形式、混合成分可识别性与分离条件，以及一致性结论、调参规则和优化算法的关系。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明定理假设或比较数值，所述优势不能扩展至所有混合模型。
原文摘要
Order selection is a fundamental and challenging problem in the application of finite mixture models. We develop a new penalized likelihood approach that we call MSCAD. MSCAD deviates from information-based methods, such as Akaike information criterion and the Bayes information criterion, by introducing two penalty functions that depend on the mixing proportions and the component parameters. It is consistent in estimating both the order of the mixture model and the mixing distribution. Simulations show that MSCAD performs much better than some existing methods. Two real-data examples are examined to illustrate its performance.