A general Akaike-type criterion for model selection in robust regression
稳健回归模型选择的一般Akaike型准则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：摘要聚焦通用稳健回归与模型选择，未明确研究分位数效应、宏观预测或金融预测。
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…
稳健回归模型选择的一般Akaike型准则
- 研究问题
- 当回归拟合采用最小绝对偏差等非最小二乘损失时，如何构造与拟合方式相匹配、能够估计预测误差的模型选择准则？
- 方法与思路
- 作者把Akaike型选择思路推广到多种拟合损失，要求损失凸且有唯一最小值，并在期望意义下二次可微。
- 材料陈述的贡献
- 摘要提出适用于广泛损失函数的一般模型选择准则，并称模拟中所提出的估计量较好地近似各自对应的预测误差。
- 阅读关注点
- 应核对不同损失对应的预测风险、准则修正项、期望二次可微条件，以及模拟如何评价误差近似与最终模型选择。
- 阅读边界
- OpenAlex摘要未注明稿件版本；风险表达、其他正则条件及模拟数值未给出，误差近似良好不等于选择结果普遍最优。
原文摘要
Akaike's procedure (1970) for selecting a model minimises an estimate of the expected squared error in predicting new, independent observations. This selection criterion was designed for models fitted by least squares. A different model-fitting technique, such as least absolute deviation regression, requires an appropriate model selection procedure. This paper presents a general Akaike-type criterion applicable to a wide variety of loss functions for model fitting. It requires only that the function be convex with a unique minimum, and twice differentiable in expectation. Simulations show that the estimators proposed here well approximate their respective prediction errors.