Selection Of Simplified Models: II. Development Of A Model Selection Criterion based On Mean SQUARED ERROR

摘要

Simplified models (SMs) with a reduced set of parameters are used in many practical situations, especially when the available data for parameter estimation are limited. A variety of candidate models are often considered during the model formulation, simplification, and parameter estimation processes. We propose a new criterion to help modellers select the best SM, so that predictions with lowest expected mean squared error can be obtained. The effectiveness of the proposed criterion for selecting simplified nonlinear univariate and multivariate models is demonstrated using Monte-Carlo simulations and is compared with the effectiveness of the Bayesian Information Criterion (BIC). Des modeles simplifies (MS) avec ensemble reduit de parametres sont utilises dans de nombreuses situations pratiques, particulierement lorsque les donnees disponibles pour I'estimation des parametres sont limitees. Divers modeles candidats sont souvent examines durant la formulation du modele, la simplification et I'estimation des parametres. Nous proposons un nouveau critere pour aider les modelisateurs a selectionner le meilleur MS et obtenir des predictions porteuses de I'erreur quadratique moyenne la plus faible. L'efficacite du critere propose pour la selection des modeles simplifies non lineaires a variable uniques et multiples est demontree en utilisant les simulations Monte-Carlo et comparee a l'efficacite du critere bayesian des informations (BIC).