AIC farklı model tipleri arasında karşılaştırma yapabilir mi?


27

Doğrusal olmayan modelleri R'de karşılaştırmak için AIC'yi (Akaike'ın Bilgi Ölçütü) kullanıyorum. Farklı model türlerinin AIC'lerini karşılaştırmak geçerli midir? Spesifik olarak, glm ile takılmış bir modeli karşılaştırırken, glmer (lme4) tarafından takılan rastgele etki terimine sahip bir modeli karşılaştırıyorum.

Olmazsa, böyle bir karşılaştırma yapmanın bir yolu var mı? Yoksa fikir tamamen geçersiz mi?

Yanıtlar:


12

Değişir. AIC, log olasılığının bir fonksiyonudur. Her iki model türü de log olasılığını aynı şekilde hesaplarsa (yani aynı sabiti dahil), eğer modeller iç içe geçmişse , evet yapabilirsiniz .

Bundan oldukça eminim glm()ve lmer()karşılaştırılabilir kütük olasılıkları kullanmıyorum.

İç içe geçmiş modeller hakkındaki nokta da tartışma için hazır. Bazıları AIC'nin sadece iç içe modeller için geçerli olduğunu ve teorinin nasıl sunulduğunu / çalıştığını söylüyor. Diğerleri her çeşit karşılaştırma için kullanır.


Anladığım kadarıyla lme4, varsayılan olarak glm'nin ML kullandığı REML'yi kullanıyor. REML = FALSE ayarını yaparak ML kullandıysanız, karşılaştırılabilirler.
russellpierce

Gavin'in yorumuna ek olarak, modelle ne yapmak istediğinize de bağlı. Tahmin için bir model mi, Thomas ise para mı arıyor? (Bence)
suncoolsu

3
@ drnexus: Bunun yeterli olduğunu sanmıyorum; log olabilirlik hesaplamasında aynı normalizasyon sabitinin uygulandığından emin olmalısınız.
Monica'yı eski durumuna getirme - G. Simpson

2
@Tomolar: Bunun için koda bakmanız veya emin olmak için yazan kişiyle konuşmanız gerekir. Genel olarak, olasılıkların farklı yazılım / paket / işlevler ile karşılaştırılabilir olmadığını varsayın.
Monica'yı eski durumuna getirme - G. Simpson

1
@ user3490 Yazılıma ve tahminleri almak için kullanılan algoritmaya bağlı olarak değişir. Genelde, emin olmadıklarını bilmediğim sürece aynı olmadıklarını düşünürdüm.
Monica'yı eski durumuna getirme - G. Simpson

4

Bu, bir süredir merak ettiğim harika bir soru.

Aynı ailedeki modeller için (yani, k veya polinomların otomatik gerileyen modelleri) AIC / BIC çok mantıklıdır. Diğer durumlarda daha az açıktır. Günlük olasılığını tam olarak hesaplamak (sürekli terimlerle) çalışmalıdır, ancak Bayes Faktörleri gibi daha karmaşık model karşılaştırması kullanmak muhtemelen daha iyidir (http://www.jstor.org/stable/2291091).

Modeller aynı kayıp / hata fonksiyonuna sahipse, alternatiflerden biri sadece çapraz onaylanmış log olasılıklarını karşılaştırmaktır. AIC / BIC'in belirli bir durumda bir anlam ifade ettiğinden emin olmadığımda genellikle yapmaya çalıştığım şey budur.


0

Bazı durumlarda, AIC'nin aynı tipteki modelleri, ARIMA modelleri gibi farklı bir sıralama sırasına göre bile karşılaştıramayacağını unutmayın. Alıntı Tahmini: Rob J Hyndman ve George Athanasopoulos'un İlkeleri ve Uygulamaları :

Bu bilgi kriterlerinin, uygun farklılaşma sırasını seçmede iyi rehber olma eğiliminde olmadığına dikkat etmek önemlidir (dpqdpq


Aslında, ama önemli bir nokta, karşılaştırmayı problemli kılan model türü değil, ihtimalin tanımlandığı veridir.
Richard Hardy,
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.