Model Selection for Ordinary Differential Equations: a Statistical Testing Approach
常微分方程模型选择：统计检验方法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：摘要主要涉及一般常微分方程模型比较，未明确关联给定细分领域中的因果识别或经济应用。
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…
常微分方程模型选择：统计检验方法
- 研究问题
- 同一动态现象可由不同常微分方程描述时，如何在观测含统计噪声的情况下比较这些模型，并允许候选模型之间不存在嵌套关系？
- 方法与思路
- 作者在模型误设框架下，将 Vuong 和 Hotelling 的统计思想用于常微分方程模型比较，并以模拟、真实数据示例及 Python 实现展示方法。
- 材料陈述的贡献
- 摘要提出基于检验的非嵌套常微分方程模型选择方法，称模拟显示检验具有稳定的尺寸和功效，并提供便于应用的程序实现。
- 阅读关注点
- 应核对比较准则、统计噪声与模型误设的处理方式、检验有效性的具体条件，以及数值求解和参数估计误差是否影响检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出检验条件和数值结果，模型比较也不足以单独验证因果解释。
原文摘要
Ordinary differential equations (ODEs) are foundational in modeling intricate dynamics across a gamut of scientific disciplines. Yet, a possibility to represent a single phenomenon through multiple ODE models, driven by different understandings of nuances in internal mechanisms or abstraction levels, presents a model selection challenge. This study introduces a testing-based approach for ODE model selection amidst statistical noise. Rooted in the model misspecification framework, we adapt foundational insights from classical statistical paradigms (Vuong and Hotelling) to the ODE context, allowing for the comparison and ranking of diverse causal explanations without the constraints of nested models. Our simulation studies validate the theoretical robustness of our proposed test, revealing its consistent size and power. Real-world data examples further underscore the algorithm's applicability in practice. To foster accessibility and encourage real-world applications, we provide a user-friendly Python implementation of our model selection algorithm, bridging theoretical advancements with hands-on tools for the scientific community.