Modeller aynı veri kümesine dayandığı sürece AIC değerlerini karşılaştırabilir misiniz?

Rob Hyndman'ın tahmin paketini kullanarak R'de bazı tahminler yapıyorum . Pakete ait kağıt burada bulunabilir .

Makalede, otomatik tahmin algoritmalarını açıkladıktan sonra, yazarlar algoritmaları aynı veri kümesine uygularlar. Bununla birlikte, hem üstel bir yumuşatma hem de ARIMA modelini tahmin ettikten sonra, anlamadığım bir açıklama yaparlar (sayfa 17):

Bilgi kriterlerinin karşılaştırılabilir olmadığını unutmayın.

Ben düşündüm modeli seçimi için AIC kullanılmasının bir avantajı biz yeter ki aynı veri seti kullanılarak tahmin edilir gibi farklı modellerden AIC değerleri karşılaştırmak olabilir. Bu yanlış mı?

Akaike ağırlıkları olarak adlandırılan farklı model sınıflarından (örn. Üstel yumuşatma ve ARIMA) tahminleri birleştirmeyi planladığım için bu konu benim için özellikle ilgi çekicidir (Akaike ağırlıkları hakkında tartışma için Burnham ve Anderson, 2002'ye bakınız)

Referanslar

• Burnham, KP ve Anderson, DR (2002). Model seçimi ve çoklu model çıkarımı: pratik bir bilgi-teorik yaklaşım. Springer Verlag.

İki model başlangıç ​​değerlerine farklı davranır. Örneğin, farklılaştıktan sonra, daha az gözlemde bir ARIMA modeli hesaplanırken, bir ETS modeli her zaman tüm veri kümesi üzerinde hesaplanır. Modeller eşdeğer olduğunda bile (örneğin, bir ARIMA (0,1,1) ve bir ETS (A, N, N)), AIC değerleri farklı olacaktır.

Etkili bir şekilde, bir ETS modelinin olasılığı, başlangıç ​​durum vektörü üzerinde koşulluyken, durağan olmayan bir ARIMA modelinin olasılığı, durağan olmayan bileşenler için yaygın bir dağılım kullanıldığında bile, ilk birkaç gözlem üzerinde koşulludur.