近日，中国人民大学经济学院李勇教授在《Journal of Econometrics》合作发表论文《Deviance Information Criterion for Bayesian model selection: Theoretical justification and applications》，合作者为伦敦大学玛丽女王学院的Sushanta K. Mallick、首都经济贸易大学的汪念玲、澳门大学的余俊、浙江大学的曾涛。

内容摘要：

本文为偏差信息标准 （DIC） 作为使用 MCMC 输出的贝叶斯模型选择工具提供了理论依据。与 Akaike 信息准则 （AIC） 和贝叶斯信息准则 （BIC） 不同，它们在不考虑先验信息的情况下平衡模型充分性与复杂性，而 DIC 将先验纳入了这种权衡中。本文的贡献是双重的。首先，它表明，当在一组规则性条件下使用插件预测分布（通过将参数值替换为其最佳估计值以产生插件估计的抽样分布而获得）时，DIC 充当数据生成过程和插件预测分布之间预期 Kullback-Leibler 散度的渐近无偏估计器。其次，它为 DIC 和有效参数的数量开发了高阶展开，突出了先验的影响。我们使用 DIC 在三个实证应用中比较离散选择模型、随机前沿模型和 copula 模型;结果与理论预期一致，表明 DIC 作为一种多功能工具的效用优于传统的模型选择标准。研究发现，在调查父母教育对儿童高中完成率的边际影响方面，logit 模型优于 probit 模型。此外，与正态分布相比，具有指数分布的随机前沿模型更适合电力公用事业数据。最后，为 S&P 指数回报选择的 copula 模型表现出重尾和强尾依赖性。通过高阶扩展对先验的影响进行建模，我们还发现上述实证模型在预测准确性方面优于其基准模型。

作者简介：

李勇，金融学和计量经济学教授，博士生导师。香港中文大学统计学博士、新加坡管理大学金融学博士后、中国人民大学量化投资研究所所长。长期以来从事金融计量经济学、量化投资、资产配置方面的研究，培养量化投资和资产配置方向硕士博士生近150名，多名学生赴沃顿商学院、纽约大学等海外高校深造。在中英文顶级期刊如《Journal of Econometrics》《经济研究》《管理世界》等学术杂志共发表文章近50篇，其中SSCI/SCI收录近50篇，出版学术专著一部，编著一部。