Publication

An Improvement of Akaike's FPE Criterion to Reduce its Variability

1994
Reports

Résumé

The selection of the number of past observations to be included in a linear predictor (the order of the predictor) should be done with minimum variability, since this latter is not taken into account in the inference stage. For finite time series, there is a trade-off between variability and optimality (in the sense of mean squared prediction error). The widely used Akaike criteria, FPE and AIC, lead to highly variable estimated orders, whereas consistent criteria are downward biased when the optimal order increases with the sample size. We introduce a new automatic test procedure based on the FPE criterion which decreases the variability without biasing the selection by much.

Source officielle

https://infoscience.epfl.ch/entities/publication/a4e454fe-0a96-4ced-a9ff-2f846686011d

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

1994
Reports

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/a4e454fe-0a96-4ced-a9ff-2f846686011d

À propos de ce résultat

Concepts associés (32)

Mean squared prediction error

In statistics the mean squared prediction error (MSPE), also known as mean squared error of the predictions, of a smoothing, curve fitting, or regression procedure is the expected value of the squared prediction errors (PE), the square difference between the fitted values implied by the predictive function and the values of the (unobservable) true value g. It is an inverse measure of the explanatory power of and can be used in the process of cross-validation of an estimated model.

Erreur quadratique moyenne

En statistiques, l’erreur quadratique moyenne d’un estimateur d’un paramètre de dimension 1 (mean squared error (), en anglais) est une mesure caractérisant la « précision » de cet estimateur. Elle est plus souvent appelée « erreur quadratique » (« moyenne » étant sous-entendu) ; elle est parfois appelée aussi « risque quadratique ».

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Afficher plus

Publications associées (5)

Afficher plus

An Improvement of Akaike's FPE Criterion to Reduce its Variability

Chattez avec Graph Search

Bayesian and Data-Efficient Strategies for the Optimization of Organic Reactions

Reduced Basis method for Isogeometric Analysis: application to structural problems

Nodal discontinuous Galerkin methods for fractional diffusion equations on 2D domain with triangular meshes