İki modeli, aynı değişkeni modellemedikleri için karşılaştıramazsınız (kendinizi doğru tanıdığınızdan). Bununla birlikte, AIC hem iç içe hem de sorgulanmamış modelleri karşılaştırırken çalışmalıdır.
Devam etmeden önce sadece bir hatırlatma: Gauss günlükleri olabilir.
günlük( L ( θ ) ) = - | D |2günlük( 2 π) - 12günlük( | K| )- 12( x - μ )TK- 1( x - μ ) ,
K| D |μx
2 k - 2 günlük( L )kL2 k2 günlük( L )−12(x−μ)TK−1(x−μ)−12log(|K|)
|D|log(RSS|D|)+2k
Akaike'nin orijinal makalesi [4] aslında kavraması oldukça zor (sanırım). KL farklılığına (kabaca konuşulan iki dağıtım arasındaki fark) dayanır ve verilerinizin bilinmeyen gerçek dağılımını nasıl tahmin edebileceğinizi kanıtlamak için çalışır ve bunu modelinizin varsaydığı verilerin dağılımı ile karşılaştırırsınız. Bu nedenle “daha küçük AIC puanı daha iyidir” ; Verilerinizin yaklaşık gerçek dağılımına daha yakınsınız.
Bu yüzden hepsini bir araya getirmek için AIC kullanırken hatırlanması gereken açık şeyler üç [2,5]:
Farklı veri setlerinin modellerini karşılaştırmak için kullanamazsınız.
Tüm aday modeller için aynı yanıt değişkenlerini kullanmalısınız.
|D|>>k
Kötü haberi sana kırdığım için üzgünüm ama AIC kullanarak bir bağımlı değişkenden diğerini seçtiğini göstermek için yapmak istatistiksel olarak sağlam bir şey değil. Her iki modelde de kalıntılarınızın dağılımını kontrol edin, eğer kayıtlı veri durumu normalde artıkları dağıttıysa ve ham veri durumu yoksa, ihtiyacınız olabilecek tüm gerekçelere sahip olursunuz. Ham verilerinizin bir lognormal ile uyuşup uyuşmadığını kontrol etmek de isteyebilirsiniz, bu da gerekçelendirme için yeterli olabilir.
Kesin matematiksel varsayımlar için oyun KL ayrımı ve bilgi teorisidir.
Ah ve bazı referanslar:
- http://en.wikipedia.org/wiki/Akaike_information_criterion
- Akaike Bilgi Kriteri, Shuhua Hu, (Sunum s.17-18)
- Uygulamalı Çok Değişkenli İstatistiksel Analiz, Johnson & Wichern, 6. Ed. (s. 386-387)
- İstatistiksel model tanımlamasına yeni bir bakış, H. Akaike, IEEE Otomatik Kontrol İşlemleri 19 (6): 716–723 (1974)
- Model Seçimi Eğitimi No.1: Akaike'nin Bilgi Kriteri, D. Schmidt ve E. Makalic, (Sunum s.39)