मॉडल चयन में एआईसी के दिशानिर्देश

Question

मैं आमतौर पर BIC का उपयोग करता हूं क्योंकि मेरी समझ यह है कि यह AIC की तुलना में अधिक दृढ़ता से पारसमणि को महत्व देता है। हालाँकि, मैंने अब अधिक व्यापक दृष्टिकोण का उपयोग करने का निर्णय लिया है और एआईसी का भी उपयोग करना चाहूंगा। मुझे पता है कि Raftery (1995) ने BIC मतभेदों के लिए अच्छे दिशानिर्देश प्रस्तुत किए: 0-2 कमजोर है, 2-4 एक मॉडल के लिए बेहतर सबूत है, आदि।

मैंने पाठ्यपुस्तकों में देखा और वे एआईसी पर अजीब लगते हैं (ऐसा लगता है कि बड़ा अंतर कमजोर है और एआईसी में एक छोटे अंतर का मतलब है कि एक मॉडल बेहतर है)। यह मेरे द्वारा सिखाई गई बातों के विपरीत है। मेरी समझ यह है कि आप कम एआईसी चाहते हैं।

क्या किसी को पता है कि अगर बाद में एआईसीआई के दिशानिर्देशों का विस्तार होता है, या जहां मैं एक मॉडल बनाम दूसरे के लिए "सबूतों की ताकत" के लिए कुछ दिशानिर्देशों का हवाला दे सकता हूं?

और हां, कटऑफ महान नहीं हैं (मैं उन्हें परेशान कर रहा हूं) लेकिन वे विभिन्न प्रकार के सबूतों की तुलना करते समय मददगार होते हैं।

Comments

क्या यह (पीडीएफ) , आपके द्वारा उल्लेखित Raftery पेपर है?

— गूँग -

यहां पढ़ने वाले निम्नलिखित उत्कृष्ट सीवी धागे को पढ़ने के लिए इच्छुक हो सकते हैं: क्या एआईसीसी या दूसरे पर बीआईसी पसंद करने का कोई कारण है?

— गूँग - मोनिका

आप किस पाठ्यपुस्तक का जिक्र कर रहे हैं जब आप कहते हैं कि " मैंने पाठ्यपुस्तकों में देखा और वे एआईसी पर अजीब लग रहे हैं (ऐसा लगता है कि बड़ा अंतर कमजोर है और एआईसी में एक छोटे अंतर का मतलब एक मॉडल बेहतर है) " --- और वे वास्तव में क्या करते हैं कहते हैं?

— Glen_b -Reinstate मोनिका

आपका दूसरा पैरा अस्पष्ट है। आप शायद इसका मतलब यह करते हैं: जबकि बड़े अंतर बताते हैं कि छोटे मूल्यों वाले मॉडल बेहतर हैं, छोटे अंतरों का मूल्यांकन करना मुश्किल है। इसके अलावा, सांख्यिकीविदों को इस बात पर सहमत होना बाकी है कि 'छोटे' या 'बड़े' क्या अंतर हैं - सिंगर और विलेट (2003, पृष्ठ .22)

— हाइबरनेटिंग

अपने तीसरे पैरा के रूप में, यदि आप जेफ्रीज़ (1961, पी। 432) द्वारा विकसित की गई आवासीय शक्ति की श्रेणियों को अपनाना चाहते हैं, तो मैं आपको पूरा संदर्भ दे सकता हूं।

— हाइबरनेटिंग

Answer 1

AIC और BIC मॉडल की तुलना के संदर्भ में समान व्याख्या रखते हैं। यही है, एआईसी या बीआईसी दोनों में बड़ा अंतर एक मॉडल को दूसरे (कम बेहतर) के लिए मजबूत सबूत इंगित करता है। यह सिर्फ एआईसी है बीआईसी के रूप में मापदंडों की संख्या को दृढ़ता से दंडित नहीं करता है। एआईसी (एआईसीसी) के लिए एक सुधार भी है जो छोटे नमूना आकारों के लिए उपयोग किया जाता है। एआईसी / बीआईसी की तुलना के बारे में अधिक जानकारी यहां पाई जा सकती है ।

Comments

$N \rightarrow \infty$

Answer 2

$AIC_1$$AIC_2$$AIC_1< AIC_2$
$(1, 2, ..., n)$$\Delta_i= AIC_i- AIC_{min}$$AIC_i$$i$$AIC_{min}$$\Delta_i >10$$\Delta_i$$\Delta_i\equiv\Delta_{min}\equiv0.$

Comments

अहा! यह पूरी तरह से "बिट" से बड़ा है। धन्यवाद!

— टॉम कारपेंटर

Answer 3

मैं आमतौर पर एआईसी या बीआईसी का उपयोग किसी मॉडल के लिए पर्याप्त फिट का वर्णन करने के लिए कभी नहीं करता हूं। मैं है इन ICs का उपयोग दो पूर्वानुमान आधारित मॉडल के रिश्तेदार फिट तुलना करने के लिए। जहां तक ​​कि "2" या "4" का AIC का संबंध है, यह पूरी तरह से प्रासंगिक है। यदि आप यह जानना चाहते हैं कि एक "अच्छा" मॉडल कैसे फिट बैठता है, तो आप हमेशा (सिमुलेशन) एक सिमुलेशन का उपयोग कर सकते हैं। एआईसी की आपकी समझ सही है। एआईसी मापदंडों से सकारात्मक योगदान और संभावना से नकारात्मक योगदान प्राप्त करता है। आप जो करने की कोशिश कर रहे हैं वह आपके मॉडल को मापदंडों के एक समूह के साथ लोड किए बिना संभावना को अधिकतम करने के लिए है। तो, मेरी बुलबुला फूटने वाली राय है कि एआईसी के लिए कट ऑफ संदर्भ से अच्छा नहीं है।

Comments

क्या होगा अगर आपके मॉडल किसी भी सिमुलेशन की अनुमति नहीं देते हैं?

— स्टेट

टुट टुट! यह ऐसे कैसे संभव है? एक दुनिया को बूटस्ट्रैप कर सकता है।

— एडमो

उस के साथ भगवान भाग्य ... दुनिया lol अनुकरण

— स्टेट

@ मैं बहुत गंभीर हूं जब मैं कहता हूं कि मैं ऐसी स्थिति की कल्पना नहीं कर सकता जिसमें किसी मॉडल से डेटा का अनुकरण करना असंभव होगा। बहुत कम से कम, प्रशिक्षण डाटासेट से बूटस्ट्रैपिंग एक वैध सिमुलेशन दृष्टिकोण के रूप में योग्य है।

— एडमों

जब बूटस्ट्रैपिंग क्रास क्रॉस वैधीकरण है या साधारण जैकिंगिफिंग भी काम करना चाहिए। इसके अलावा, मॉडल औसत समान एआईसी के साथ मॉडल से जानकारी को समेटने के लिए एक साधन प्रदान करता है।

— एन ब्राउर

Answer 4

यहाँ एक संबंधित प्रश्न है कि कब-यह-उचित-से-चयन-मॉडल-दर-न्यूनतम-एक है? । यह आपको एक सामान्य विचार देता है कि अकादमिक दुनिया में जो लोग अपरिचित नहीं हैं, वे लिखना उचित समझते हैं और किन संदर्भों को महत्वपूर्ण मानते हैं।

आमतौर पर, यह संभावना या एआईसी के बीच अंतर होता है जो मायने रखता है, न कि उनके पूर्ण मूल्य। आपने अपने "BIC: 0-2 कमजोर है" में महत्वपूर्ण शब्द "अंतर" को याद किया है - प्रश्न में बाद में 6 की जाँच करें - और यह अजीब है कि कोई भी इसे ठीक नहीं करना चाहता है।

मुझे खुद MAICE (मिनिमम AIC एस्टीमेट - जैसा कि एकैके ने कहा है) की तलाश करना सिखाया गया है। तो क्या? यहाँ एक प्रसिद्ध व्यक्ति ने एक अज्ञात महिला को क्या लिखा है:

Dear Miss -- 
I have read about sixteen pages of your manuscript ... I suffered exactly the same 
treatment at the hands of my teachers who disliked me for my independence and passed 
over me when they wanted assistants ... keep your manuscript for your sons and
daughters, in order that they may derive consolation from it and not give a damn for
what their teachers tell them or think of them. ... There is too much education
altogether.

मेरे शिक्षकों ने कभी भी "ए टेस्ट कि क्या दो एआईसी के अंतर महत्वपूर्ण हैं" जैसे शीर्षक के साथ कागजात के बारे में नहीं सुना था और मुझे यह भी याद नहीं है कि उन्होंने कभी एआईसी को एक आँकड़ा कहा था, जिसमें एक नमूना वितरण और अन्य गुण होंगे। मुझे सिखाया गया था कि एआईसी कम से कम होने के लिए एक मानदंड है, यदि कुछ स्वचालित फैशन में संभव हो।

फिर भी एक और महत्वपूर्ण मुद्दा, जो मुझे लगता है कि कुछ साल पहले यहां आयरिशस्टैट (स्मृति से माफी के रूप में व्यक्त किया गया है, अगर मैं गलत हूं क्योंकि मैं उस उत्तर को खोजने में विफल रहा) एआईसी, बीआईसी और अन्य मानदंड अलग-अलग उद्देश्यों के लिए प्राप्त किए गए हैं और विभिन्न परिस्थितियों (मान्यताओं) के तहत यदि आप अक्सर उनका उपयोग नहीं कर सकते हैं तो यदि आपका उद्देश्य पूर्वानुमान है, तो कहें। आप बस कुछ अनुचित पसंद नहीं कर सकते।

मेरे सूत्र बताते हैं कि मैंने बर्नहैम और एंडरसन के लिए एक उद्धरण का उपयोग किया (2002, p.70) कि डेल्टा (एआईसी अंतर) को 0-2 के भीतर लिखने के लिए पर्याप्त समर्थन है; 4-7 के भीतर डेल्टा काफी कम समर्थन और 10 से अधिक अनिवार्य रूप से डेल्टा कोई समर्थन नहीं है। इसके अलावा, मैंने लिखा है कि "लेखकों ने उन शर्तों पर भी चर्चा की जिनके तहत ये दिशानिर्देश उपयोगी हो सकते हैं"। पुस्तक में स्टेट द्वारा उत्तर का हवाला दिया गया है, जिसे मैंने सबसे अधिक प्रासंगिक बताया है।

Answer 5

सूचना मानदंड के संबंध में, यहाँ SAS कहते हैं:

"ध्यान दें कि सूचना मानदंड जैसे कि Akaike's (AIC), Schwarz's (SC, BIC), और QIC का उपयोग प्रतिस्पर्धी गैर-पंजीकृत मॉडलों की तुलना करने के लिए किया जा सकता है, लेकिन तुलना का परीक्षण प्रदान नहीं करते हैं। नतीजतन, वे संकेत नहीं दे सकते कि क्या एक मॉडल महत्वपूर्ण है। दूसरे से बेहतर है। जेनमॉड, लॉजिस्टिक्स, ग्लिमिक्स, मिक्सड और अन्य प्रक्रियाएं सूचना मानदंड उपाय प्रदान करती हैं। "

दो तुलनात्मक मॉडल परीक्षण प्रक्रिया हैं: ए) वुंग परीक्षण और बी) गैर पैरामीट्रिक क्लार्क परीक्षण। विवरण के लिए यह पेपर देखें।

Comments

मुझे उद्धृत "पेपर" (यानी प्रस्तुति) में नियोजित गणितीय संकेतन बिना टिप्पणियों के समझ में आता है। विशेष रूप से, डैश की रेखा क्या दर्शाती है? निहितार्थ?

— एडम रिक्ज़ोस्की