Admissible Selection of an Accurate and Parsimonious Normal Linear Regression Model
准确且简约的正态线性回归模型的可容许选择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：摘要讨论通用回归模型选择与决策理论，没有明确涉及所列计量领域细分。
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
准确且简约的正态线性回归模型的可容许选择
- 研究问题
- 在正态线性回归及其有限个真子模型之间，如何选择模型，使拟合准确性与模型复杂度在同一损失框架下得到权衡？
- 方法与思路
- 作者将拟合模型与真实模型的差异和所选模型的复杂度相加作为损失，并研究最小化经验损失、随后用最大似然拟合的选择规则。
- 材料陈述的贡献
- 摘要称，该经验损失最小化规则具有可容许性，并且非常接近贝叶斯规则；具体意义取决于文中采用的损失与决策框架。
- 阅读关注点
- 应核对模型差异和复杂度的具体定义、可容许性证明的适用条件，以及“非常接近贝叶斯”的数学表述与误差界。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断损失的具体形式、证明条件或有限样本表现，也不能推断刊本变化。
原文摘要
Let $M_0$ be a normal linear regression model and let $M_1,\cdots, M_K$ be distinct proper linear submodels of $M_0$. Let $\hat k \in \{0,\cdots, K\}$ be a model selection rule based on observed data from the true model. Given $\hat k$, let the unknown parameters of the selected model $M_{\hat k}$ be fitted by the maximum likelihood method. A loss function is introduced which depends additively on two parts: (i) a measure of the difference between the fitted model $M_{\hat k}$ and the true model; and (ii) a measure $C_{\hat k}$ of the "complexity" of the selected model. A natural model selection rule $\bar{k}$, which minimizes an empirical version of this loss, is shown to be admissible and very nearly Bayes.