Information and Posterior Probability Criteria for Model Selection in Local Likelihood Estimation
局部似然估计中模型选择的信息与后验概率准则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：摘要研究通用局部似然模型选择，未明确时间序列、结构变化或其他所列应用方向。
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
局部似然估计中模型选择的信息与后验概率准则
- 研究问题
- 当参数随协变量变化、需要采用局部近似模型时，如何选择竞争模型和估计窗口宽度，使信息准则适应加权似然？
- 方法与思路
- 作者修改信息及后验概率准则的推导思路，得到加权 AIC 和 BIC，再通过调整用于窗口宽度选择，并开展模拟与数据应用。
- 材料陈述的贡献
- 摘要称提出了加权似然下的 AIC、BIC 版本，并使其兼顾局部近似模型和窗口选择，以模拟及三个数据集展示用途。
- 阅读关注点
- 应核对权重对惩罚项和有效信息量的影响、窗口选择的具体调整，以及模拟和应用中不同准则的比较目标与实现方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；加权准则的具体形式、适用条件和选择性质未提供，不能推断其一致性或普遍优势。
原文摘要
Local likelihood estimation has proven to be an effective method for obtaining estimates of parameters that vary with a covariate. To obtain useful estimates of such parameters, approximating models are used. In such cases it is useful to consider window based estimates. We may need to choose between competing approximating models. In this article, we propose a modification to the methods used to motivate many information and posterior probability criteria for the weighted likelihood case. We derive weighted versions for two of the most widely known criteria, namely the AIC and BIC. Via a simple modification, the criteria are also made useful for window span selection. The usefulness of the weighted version of these criteria is demonstrated through a simulation study and an application to three datasets.