Je recherche des exemples d'interprétation des estimations AIC (critère d'information Akaike) et BIC (critère d'information bayésien).
La différence négative entre les BIC peut-elle être interprétée comme la cote postérieure d'un modèle par rapport à l'autre? Comment puis-je mettre cela en mots? Par exemple, le BIC = -2 peut impliquer que les chances du meilleur modèle sur l'autre modèle sont approximativement ?
Tout conseil de base est apprécié par ce néophyte.
interpretation
aic
bic
Juan
la source
la source
Réponses:
pour le modèle i d'unensemble de modèles aprioripeut être recalculé enoù le meilleur modèle de l'ensemble de modèles aura. Nous pouvons utiliser lesvaleurspour estimer la force de la preuve () pour tous les modèles de l'ensemble de modèles où: Ceci est souvent appelé le «poids de la preuve» pour le modèleétant donné l'ensemble de modèles apriori. Lorsqueaugmente,A jeC je Δ =0 Δ i w i w i = e ( - 0,5 Δ i )Δje= A ICje- m i n A IC Δ =0 Δje wje je
Remarque, lorsque le modèle 1 est le meilleur modèle (le plus petit ). Burnham et Anderson (2002) appellent cela le ratio de preuves. Ce tableau montre comment le rapport de preuves change par rapport au meilleur modèle.w1/ w2= e0,5 Δ2 A jeC
Référence
Burnham, KP et DR Anderson. 2002. Sélection de modèles et inférence multimodèle: une approche pratique de la théorie de l'information. Deuxième édition. Springer, New York, États-Unis.
Anderson, DR 2008. Inférence basée sur un modèle dans les sciences de la vie: introduction aux preuves. Springer, New York, États-Unis.
la source
Je ne pense pas qu'il existe une interprétation simple de l'AIC ou du BIC. Ce sont deux quantités qui prennent la probabilité logarithmique et lui appliquent une pénalité pour le nombre de paramètres à estimer. Les pénalités spécifiques sont expliquées pour AIC par Akaike dans ses articles à partir de 1974. BIC a été sélectionné par Gideon Schwarz dans son article de 1978 et est motivé par un argument bayésien.
la source
Vous utilisez probablement le BIC en raison de l'approximation du facteur Bayes. Par conséquent, vous ne considérez pas (plus ou moins) une distribution antérieure. Le BIC dans une étape de sélection de modèle est utile lorsque vous comparez les modèles. Pour bien comprendre le BIC, le facteur Bayes, je recommande fortement de lire un article (sec. 4): http://www.stat.washington.edu/raftery/Research/PDF/socmeth1995.pdf pour compléter les connaissances avec: http: // www .stat.washington.edu / raftery / Recherche / PDF / kass1995.pdf
la source