An Akaike-type information criterion for model selection under inequality constraints
不等式约束下模型选择的 Akaike 型信息准则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：摘要研究受约束方差分析中的通用模型选择，没有直接对应所列领域细分的证据。
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…
不等式约束下模型选择的 Akaike 型信息准则
- 研究问题
- 当方差分析模型的总体均值受到线性等式与不等式混合约束时，如何扩展信息准则以比较带不同约束的候选模型？
- 方法与思路
- 作者推广有序约束信息准则，使其处理均值的混合线性约束；无不等式约束时，该准则与 Akaike 信息准则一致。
- 材料陈述的贡献
- 摘要称该推广适用于部分候选模型带不等式约束的多因素方差分析，并通过模拟显示其选择正确模型的表现良好。
- 阅读关注点
- 应核对准则的惩罚项如何反映约束、等式与不等式如何组合，以及模拟中的候选模型、信号设定和选择正确率。
- 阅读边界
- 依据所给 Crossref 摘要，不能推断其他版本变化；摘要未说明推导条件及模拟数值，不能据此声称具有普遍最优选择性能。
原文摘要
Abstract The Akaike information criterion for model selection presupposes that the parameter space is not subject to order restrictions or inequality constraints. Anraku (1999) proposed a modified version of this criterion, called the order-restricted information criterion, for model selection in the one-way analysis of variance model when the population means are monotonic. We propose a generalization of this to the case when the population means may be restricted by a mixture of linear equality and inequality constraints. If the model has no inequality constraints, then the generalized order-restricted information criterion coincides with the Akaike information criterion. Thus, the former extends the applicability of the latter to model selection in multi-way analysis of variance models when some models may have inequality constraints while others may not. Simulation shows that the information criterion proposed in this paper performs well in selecting the correct model.