AIC ve BIC numarası yorumlama


23

AIC (Akaike bilgi kriteri) ve BIC (Bayesian bilgi kriteri) tahminlerinin nasıl yorumlanacağına dair örnekler arıyorum.

BIC'ler arasındaki negatif fark, bir modelin diğerine göre arka oranları olarak yorumlanabilir mi? Bunu kelimelere nasıl koyabilirim? BIC Örneğin = -2 diğer model üzerinde daha iyi bir modeli oran yaklaşık ima edebilir ?e2=7.4

Herhangi bir temel öneri bu neofit tarafından takdir edilmektedir.


2. bölüme bakınız. Bölüm 2.6 - google kitaplarında kısmen mevcut - özellikle size yardımcı olabilir. books.google.se/… (Ref: Kenneth P. Burnham ve David R. Anderson tarafından Model Seçimi ve Çok Model
Çıkarımı

Yanıtlar:


6

modeli için i bir birönselmodeli kümesine bel ekten edilebilir Ô i = bir I C i - m ı n, A I modeli kümesinin en iyi model olacaktır burada Í = 0 . Model setindeki tüm modeller içinkanıtın gücünü ( w i )tahmin etmekiçin Δ i değerlerinikullanabiliriz,burada: w i = e ( - 0.5 Δ i )birbenCbenΔben=birbenCben-mbennbirbenCΔ=0Δbenwben Bu genellikle modeli için "kanıt ağırlığı" olarak refere edilmiştiriverilenönselmodeli seti. OlarakÔiartarwımodeli öne azalıridaha akla yatkındır. Buwideğerleri,imodelininpriorimodel setineverilen en iyi modelolma olasılığı olarak yorumlanabilir. Ayrıca modelin göreli ihtimalini hesaplamak olabilirimodeli karşıjolarak

wben=e(-0.5Δben)Σr=1R,e(-0.5Δben).
benΔbenwbenbenwbenbenbenj . Örneğin, eğer w i = 0.8 ve w j = 0.1 ise, i modelinin j modelinden 8 kat daha muhtemel olduğunusöyleyebiliriz.wben/wjwben=0.8wj=0.1benj

Not: , model 1 en iyi model olduğunda (en küçük A I C ). Burnham ve Anderson (2002) bunu kanıt oranı olarak adlandırmaktadır. Bu tablo kanıt oranının en iyi modele göre nasıl değiştiğini göstermektedir.w1/w2=e0.5Δ2birbenC

Information Loss (Delta)    Evidence Ratio
0                           1.0
2                           2.7
4                           7.4
8                           54.6
10                          148.4
12                          403.4
15                          1808.0

Referans

Burnham, KP ve DR Anderson. 2002. Model seçimi ve çoklu model çıkarımı: pratik bir bilgi-teorik yaklaşım. İkinci baskı. Springer, New York, ABD.

Anderson, DR 2008. Yaşam bilimlerinde model temelli çıkarım: kanıtlar üzerine bir astar. Springer, New York, ABD.


rR,

Model setinde R modelleri vardır.
RioRaider 17:18

3

AIC veya BIC'in bu şekilde basit bir yorumu olduğunu sanmıyorum. Her ikisi de kütük olasılığını alan ve tahmin edilen parametre sayısı için kendisine ceza uygulayan miktarlardır. Özel cezalar AIC için Akaike tarafından 1974'te başlayan yazılarında açıklanmıştır. BIC, 1978 tarihli makalesinde Gideon Schwarz tarafından seçilmiştir ve bir Bayesci argümanı tarafından motive edilmiştir.


2
Ceza, yine de, belirli bir büyüklükteki tercih edilen modeller olarak yorumlanabilir. Eğer bunu önceden (bazı bilgi-teorik gerekçelere sahip olan) benimsemişseniz, o zaman doğrudan bir IC değerlerinden bir poster oranını hesaplayabilirsiniz. Ayrıca, @RioRaider, belirli bir modelin, KL sapması açısından setten en iyi model olma olasılığını veren Akaike ağırlıklarından bahseder. ( ref - bkz. s. 800).
David J. Harris

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.