O livro de Burnham-Anderson sobre inferência multimodal pode ser recomendado?

Como motivado pela recente mudança da estatística de seleção de modelo padrão no pacote de previsão do R de AIC para AICc, estou curioso para saber se o último é realmente aplicável onde quer que esteja o primeiro. Eu tenho uma série de perguntas a esse respeito e aqui está a primeira.

Eu sei que substituir o AIC pelo AICc em todos os lugares é o que o livro bem conhecido em (1) de Burnham e Anderson (não estatísticos), como resumido aqui , recomenda. Às vezes, o livro é referido de maneira não crítica por estatísticos mais jovens, veja, por exemplo, comentários feitos por Rob Hyndman nesta postagem no blog , mas o estatístico Brian Ripley aconselhou de uma maneira radicalmente diferente:

“Burnham and Anderson (2002) is a book I would recommend people NOT read until 
they have read the primary literature. I see no evidence that the authors have 
actually read Akaike’s papers." [quoted from [AIC MYTHS AND MISUNDERSTANDINGS][4] by
Burnham-Anderson]

Segue-se do que Ripley escreve sobre a AIC e a teoria relacionada que o aviso deve ser levado a sério. Tenho uma boa coleção de documentos de Akaike e o livro de Burnham-Anderson. Eventualmente, terei minha própria opinião sobre a qualidade do livro, mas também ajudará a saber o que a comunidade de estatísticos, jovens e velhos, pensa sobre isso. Em particular, existem professores de estatística (ou outros bons alunos de estatística) que recomendaram explicitamente o livro como um resumo útil do conhecimento sobre o uso da AIC para a seleção de modelos?

Referência:

(1) Burnham, KP & Anderson, DR Seleção de modelos e inferência multimodal: uma abordagem prática da teoria da informação Springer, 2002

PS. Em resposta à recente "resposta" afirmando que "Dr.Burnham é um estatístico de doutorado", gostaria de acrescentar este esclarecimento. Sim, ele é estatístico, membro da ASA e recebeu vários prêmios profissionais, incluindo a Medalha de Conquista Distinta da ASA. Mas quem disse que ele não é? Tudo o que eu disse acima é que, como um par de autores, eles não são estatísticos e o livro reflete esse fato.

O OP parece estar buscando uma pesquisa de alta qualidade com estatísticos de alta qualidade para ajudar a avaliar se um livro em particular é de alta qualidade, particularmente no que diz respeito ao debate entre AIC e AICc. Este site não é especialmente voltado para pesquisas sistemáticas. Em vez disso, tentarei abordar a questão subjacente diretamente.

O AIC e o AICc pontuam os modelos de acordo com uma troca heurística entre ajuste do modelo (em termos de probabilidade) e super ajuste (em termos do número de parâmetros). Nessa troca, o AICc concede uma penalidade ligeiramente maior ao número de parâmetros. Assim, o AICc sempre recomenda a favor de modelos de complexidade menor ou igual à complexidade do melhor modelo de AIC. Nesse sentido, a relação entre os dois é muito simples, apesar dos argumentos terrivelmente complicados subjacentes às suas derivações.

O AIC e o AICc são apenas dois de um amplo campo de critérios de informação de candidatos, com o BIC e o DIC talvez as principais alternativas. O BIC é muito mais conservador (penalizando um grande número de parâmetros do modelo) do que o AIC ou o AICc na maioria dos casos. A questão de qual critério é o melhor é realmente específica do problema. Poderíamos legitimamente preferir um critério extremamente conservador nos casos em que é necessária uma previsão robusta fora da amostra.

Em FWIW, eu achei o nível de conservadorismo do AICc tipicamente preferível ao AIC em extensos estudos de simulação sobre o erro de previsão em modelos de captura-recaptura.