Mientras resuelve un estudio de caso, un investigador se encuentra con muchos predictores, posibilidades e interacciones. Eso hace que sea complicado seleccionar un modelo. Con la ayuda de diferentes criterios para la selección de modelos, pueden resolver esos problemas y estimar la precisión.
El AIC y el BIC son los dos procesos de criterios para evaluar un modelo. Consisten en determinantes selectivos para la agregación de las variables consideradas. En 2002, Burnham y Anderson realizaron un estudio de investigación sobre ambos criterios.
Puntos clave
- AIC y BIC son medidas utilizadas para la selección de modelos en el análisis estadístico.
- AIC significa Criterio de información de Akaike y BIC significa Criterio de información bayesiano.
- AIC penaliza menos la complejidad del modelo que BIC, lo que significa que se puede preferir AIC para tamaños de muestra más pequeños, mientras que se puede preferir BIC para tamaños de muestra más grandes.
AIC frente a BIC
AIC mide la calidad relativa de un modelo estadístico para un conjunto de datos determinado. Se basa en la función de verosimilitud y el número de parámetros en el modelo. BIC es un modelo similar basado en los principios bayesianos sobre la medida de la complejidad, pero impone una mayor penalización a los modelos con más parámetros.
AIC da como resultado rasgos complejos, mientras que BIC tiene dimensiones más finitas y atributos consistentes. El primero es mejor para los hallazgos negativos y el segundo para los positivos.
Tabla de comparación
| Parámetros de comparación | AIC | BIC |
|---|---|---|
| Formularios completos | La forma completa de AIC es el criterio de información de Akaike. | La forma completa de BIC es el criterio de información bayesiano. |
| Definición | Una evaluación de un intervalo continuo y correspondiente entre la probabilidad indeterminada, precisa y justificada de los hechos se denomina Criterios de información de Akaike o AIC. | Bajo una estructura bayesiana particular, una evaluación precisa del propósito de la posibilidad siguiendo el modelo se llama Criterios de Información Bayesianos o BIC. |
| Fórmula | Para calcular el criterio de información de Akaike, la fórmula es: AIC = 2k – 2ln(L^) | Para calcular el criterio de información bayesiano, la fórmula es: BIC = k ln(n) – 2ln(L^) |
| Selección de modelo | Para resultados falsos negativos, se elige AIC en el modelo. | Para resultados falsos positivos, se elige BIC en el modelo. |
| Dimensiones | La dimensión de AIC es infinita y relativamente alta. | La dimensión de BIC es finita y es menor que la de AIC. |
| Plazo de penalización | Los términos de penalización son más pequeños aquí. | Los términos de penalización son más grandes aquí. |
| Probabilidad | Para seleccionar el modelo verdadero en AIC, la probabilidad debe ser menor a 1. | Para seleccionar el modelo verdadero en BIC, la probabilidad debe ser exactamente 1. |
| Resultados | Aquí, los resultados son más impredecibles y más complicados que BIC. | Aquí, los resultados son consistentes y más fáciles que AIC. |
| Supuestos | Con la ayuda de suposiciones, AIC puede calcular la cobertura más óptima. | Con la ayuda de suposiciones, BIC puede calcular una cobertura menos óptima que AIC. |
| Riesgos | El riesgo se minimiza con AIC, ya que n es mucho mayor que k2. | El riesgo se maximiza con BIC, ya que n es finito |
¿Qué es AIC?
El modelo fue anunciado por primera vez por el estadístico 'Hirotugu Akaike' en 1971. Y el primer artículo formal fue publicado por Akaike en 1974 y recibió más de 14,000 citas.
Los Criterios de Información de Akaike (AIC) evalúan un continuo además del intervalo correspondiente entre la probabilidad indeterminada, precisa y justificada de los hechos.
Es el propósito de probabilidad integrada del modelo. Entonces, un AIC más bajo significa que se estima que un modelo es más similar a la precisión. Para conclusiones falsas negativas, es útil.
Alcanzar un modelo verdadero requiere una probabilidad de menos de 1. La dimensión de AIC es infinita y relativamente alta en número, por lo que proporciona resultados impredecibles y complicados.
Sirve a la cobertura más óptima de los supuestos. Sus plazos de penalización son menores. Muchos investigadores creen que se beneficia con los riesgos mínimos mientras presume. porque aquí, n es mayor que k2.
El cálculo del AIC se realiza con la siguiente fórmula:
- AIC = 2k – 2ln(L^)
¿Qué es BIC?
Los Criterios de Información Bayesianos (BIC) son una evaluación del propósito de la posibilidad, siguiendo la precisión del modelo, bajo una estructura Bayesiana particular. Por lo tanto, un BIC más bajo significa que se reconoce que un modelo se anticipa más como el modelo exacto.
La teoría fue desarrollada y publicada por Gideon E. Schwarz en 1978. Además, se conoce como criterio de información de Schwarz, abreviado SIC, SBIC o SBC. Para llegar a un modelo verdadero, requiere una probabilidad de exactamente 1. Para resultados falsos positivos, es útil.
Los términos de la pena son sustanciales. Su dimensión es finita que da resultados consistentes y fáciles. Los científicos dicen que su cobertura óptima es menor que AIC para suposiciones. Eso incluso se convierte en una toma de riesgo máxima. porque aquí, n es definible.
El cálculo del BIC se realiza con la siguiente fórmula:
- BIC = k ln(n) – 2ln(L^)
El 'Bridge Criterion', BC, fue desarrollado por Jie Ding, Vahid Tarokh y Yuhong Yang. El criterio se publicó el 20 de junio de 2017 en IEEE Transactions on Information Theory. Su motivo era cerrar la brecha fundamental entre los módulos AIC y BIC.
Principales diferencias entre AIC y BIC
- AIC se utiliza en la selección de modelos para resultados falsos negativos, mientras que BIC es para falsos positivos.
- El primero tiene una dimensión infinita y relativamente alta. Por el contrario, este último tiene finito.
- El plazo de la pena para el primero es menor. Al mismo tiempo, el segundo es sustancial.
- Los criterios de información de Akaike tienen resultados complicados e impredecibles. Por el contrario, el criterio de información bayesiano tiene resultados fáciles con consistencia.
- AIC proporciona supuestos optimistas. Al mismo tiempo, las coberturas de BIC son supuestos menos óptimos.
- El riesgo se minimiza en AIC y es máximo en BIC.
- La teoría de Akaike requiere una probabilidad de menos de 1, y Bayesian necesita exactamente 1 para alcanzar el modelo verdadero.
- https://psycnet.apa.org/record/2012-03019-001
- https://journals.sagepub.com/doi/abs/10.1177/0049124103262065
- https://journals.sagepub.com/doi/abs/10.1177/0049124104268644
- https://www.sciencedirect.com/science/article/pii/S0165783605002870
Este artículo ha sido escrito por: Supriya Kandekar
Última actualización: 11 de junio de 2023
Me he esforzado mucho en escribir esta publicación de blog para brindarle valor. Será muy útil para mí, si considera compartirlo en las redes sociales o con sus amigos/familiares. COMPARTIR ES ♥️
Emma Smith tiene una maestría en inglés de Irvine Valley College. Ha sido periodista desde 2002, escribiendo artículos sobre el idioma inglés, deportes y derecho. Lee más sobre mí en ella página de biografía.
Las explicaciones detalladas de AIC y BIC que se ofrecen en el artículo contribuyen significativamente a la comprensión general de estos criterios de selección de modelos.
La descripción general completa de AIC y BIC descrita en el artículo mejora la comprensión de estos criterios en el contexto del análisis estadístico.
La comparación entre AIC y BIC se presentó con gran claridad, lo que permitió una mejor comprensión de sus respectivos roles en el modelado estadístico.
No podría estar mas de acuerdo. Los riesgos asociados con AIC y BIC fueron particularmente estimulantes.
La clara distinción entre AIC y BIC facilita a los investigadores tomar decisiones informadas en la selección de modelos.
Este es un estudio bien realizado que proporciona información clara sobre las diferencias cruciales entre AIC y BIC.
Sí, el análisis en profundidad de AIC y BIC junto con sus respectivos cálculos fue muy informativo.
Estoy completamente de acuerdo. La tabla comparativa fue especialmente útil para comprender los matices de cada criterio.
El artículo proporciona una descripción general completa de AIC y BIC, lo que facilita la comprensión de su importancia en el análisis estadístico.
Por supuesto, las conclusiones clave se presentaron de manera concisa y la comparación entre AIC y BIC fue esclarecedora.
Tengo algunas reservas sobre la precisión de AIC y BIC, especialmente cuando se trata de su aplicabilidad en diversos escenarios de investigación.
Entiendo tu preocupación. Sería interesante explorar estudios de casos donde las limitaciones de AIC y BIC sean evidentes.
Definitivamente hay espacio para una mayor investigación sobre las implicaciones prácticas de AIC y BIC en la investigación del mundo real.
Si bien el artículo presenta un examen exhaustivo de AIC y BIC, sería beneficioso abordar las posibles limitaciones y desafíos asociados con su uso.
Comparto tu perspectiva. Explorar las implicaciones prácticas de AIC y BIC en diversos ámbitos de investigación podría proporcionar información valiosa.
Acordado. Una exploración de los posibles inconvenientes de AIC y BIC contribuiría a una comprensión más equilibrada de su utilidad.
La tabla de comparación demostró efectivamente las distinciones entre AIC y BIC, arrojando luz sobre los aspectos intrincados de la selección del modelo estadístico.
De hecho, las implicaciones prácticas de AIC y BIC estaban bien articuladas, lo que proporcionó información valiosa para los investigadores.
El análisis detallado del artículo de AIC y BIC sirve como un recurso valioso para los investigadores involucrados en la selección y el análisis de modelos.