Saat menyelesaikan studi kasus, seorang peneliti menemukan banyak prediktor, kemungkinan, dan interaksi. Itu membuatnya rumit untuk memilih model. Dengan bantuan kriteria yang berbeda untuk pemilihan model, mereka dapat menyelesaikan masalah tersebut dan memperkirakan ketepatannya.
AIC dan BIC adalah dua proses kriteria untuk mengevaluasi model. Mereka terdiri dari determinan selektif untuk agregasi variabel yang dipertimbangkan. Pada tahun 2002, Burnham dan Anderson melakukan penelitian terhadap kedua kriteria tersebut.
Pengambilan Kunci
- AIC dan BIC adalah ukuran yang digunakan untuk pemilihan model dalam analisis statistik.
- AIC adalah singkatan dari Akaike Information Criterion, dan BIC adalah singkatan dari Bayesian Information Criterion.
- AIC menghukum kompleksitas model kurang dari BIC, yang berarti bahwa AIC mungkin lebih disukai untuk ukuran sampel yang lebih kecil, sedangkan BIC mungkin lebih disukai untuk ukuran sampel yang lebih besar.
AIC vs BIC
AIC mengukur kualitas relatif model statistik untuk sekumpulan data tertentu. Ini didasarkan pada fungsi kemungkinan dan jumlah parameter dalam model. BIC adalah model serupa yang didasarkan pada prinsip Bayesian tentang ukuran kompleksitas tetapi memberikan penalti yang lebih besar pada model dengan lebih banyak parameter.
AIC menghasilkan sifat yang kompleks, sedangkan BIC memiliki dimensi yang lebih terbatas dan atribut yang konsisten. Yang pertama lebih baik untuk temuan negatif dan yang terakhir untuk yang positif.
Tabel perbandingan
| Parameter Perbandingan | AIC | BIC |
|---|---|---|
| Formulir Lengkap | Bentuk lengkap AIC adalah Kriteria Informasi Akaike. | Bentuk lengkap dari BIC adalah Kriteria Informasi Bayesian. |
| Definisi | Evaluasi interval yang berkelanjutan dan sesuai di antara probabilitas fakta yang tidak ditentukan, akurat, dan dibenarkan disebut Akaike Information Criteria atau AIC. | Di bawah struktur Bayesian tertentu, evaluasi yang akurat dari tujuan kemungkinan mengikuti model disebut Kriteria Informasi Bayesian atau BIC. |
| Rumus | Untuk menghitung kriteria informasi Akaike, rumusnya adalah: AIC = 2k – 2ln(L^) | Untuk menghitung kriteria informasi Bayesian, rumusnya adalah: BIC = k ln(n) – 2ln(L^) |
| Pemilihan Model | Untuk hasil negatif palsu, AIC dipilih dalam model. | Untuk hasil positif palsu, BIC dipilih dalam model. |
| Dimensi | Dimensi AIC tidak terbatas dan relatif tinggi. | Dimensi BIC terbatas dan lebih rendah dari AIC. |
| Jangka Waktu Penalti | Ketentuan penalti lebih kecil di sini. | Istilah hukuman lebih besar di sini. |
| Kemungkinan | Untuk memilih model yang benar di AIC, probabilitasnya harus kurang dari 1. | Untuk memilih model yang benar dalam BIC, probabilitasnya harus tepat 1. |
| Hasil | Di sini, hasilnya lebih tidak terduga dan lebih rumit daripada BIC. | Di sini, hasilnya konsisten dan lebih mudah daripada AIC. |
| Asumsi | Dengan bantuan asumsi, AIC dapat menghitung cakupan yang paling optimal. | Dengan bantuan asumsi, BIC dapat menghitung coverage yang kurang optimal dibandingkan AIC tersebut. |
| Risiko | Risiko diminimalkan dengan AIC, seperti n jauh lebih besar dari k2. | Risiko dimaksimalkan dengan BIC, seperti n terbatas. |
Apa itu AIC?
Model tersebut pertama kali diumumkan oleh ahli statistik 'Hirotugu Akaike' pada tahun 1971. Dan makalah formal pertama diterbitkan oleh Akaike pada tahun 1974 dan menerima lebih dari 14,000 kutipan.
Kriteria Informasi Akaike (AIC) mengevaluasi kontinu selain interval yang sesuai di antara probabilitas fakta yang tidak ditentukan, akurat, dan dibenarkan.
Ini adalah tujuan probabilitas terintegrasi dari model. Sehingga AIC yang lebih rendah berarti model diperkirakan lebih mirip akurasinya. Untuk kesimpulan negatif palsu, ini berguna.
Mencapai model yang sebenarnya membutuhkan probabilitas kurang dari 1. Dimensi AIC tidak terbatas dan jumlahnya relatif tinggi, karena itu memberikan hasil yang tidak dapat diprediksi dan rumit.
Ini melayani cakupan asumsi yang paling optimal. Ketentuan hukumannya lebih kecil. Banyak peneliti percaya itu bermanfaat dengan risiko minimum sambil berasumsi. Karena disini, n lebih besar dari k2.
Perhitungan AIC dilakukan dengan rumus sebagai berikut:
- AIC = 2k – 2ln(L^)
Apa itu BIC?
Kriteria Informasi Bayesian (BIC) adalah evaluasi tujuan kemungkinan, mengikuti akurasi model, di bawah struktur Bayesian tertentu. Jadi BIC yang lebih rendah berarti bahwa suatu model diakui untuk diantisipasi lebih lanjut sebagai model yang tepat.
Teori ini dikembangkan dan diterbitkan oleh Gideon E. Schwarz pada tahun 1978. Juga dikenal sebagai Kriteria Informasi Schwarz, singkatnya SIC, SBIC, atau SBC. Untuk mencapai model yang sebenarnya, diperlukan probabilitas tepat 1. Untuk hasil positif palsu, ini sangat membantu.
Ketentuan hukumannya substansial. Dimensinya terbatas yang memberikan hasil yang konsisten dan mudah. Para ilmuwan mengatakan bahwa cakupan optimalnya kurang dari AIC untuk asumsi. Itu bahkan mengurutkan pengambilan risiko maksimum. Karena disini, n dapat ditentukan.
Perhitungan BIC dilakukan dengan rumus sebagai berikut:
- BIC = k ln(n) – 2ln(L^)
'Kriteria Jembatan', BC, dikembangkan oleh Jie Ding, Vahid Tarokh, dan Yuhong Yang. Kriteria tersebut dipublikasikan pada 20 Juni 2017 di IEEE Transactions on Information Theory. Motifnya adalah untuk menjembatani kesenjangan mendasar antara modul AIC dan BIC.
Perbedaan Utama Antara AIC dan BIC
- AIC digunakan dalam pemilihan model untuk hasil negatif palsu, sedangkan BIC untuk positif palsu.
- Yang pertama memiliki dimensi yang tak terbatas dan relatif tinggi. Sebaliknya, yang terakhir memiliki keterbatasan.
- Jangka waktu hukuman untuk yang pertama lebih kecil. Pada saat yang sama, yang kedua sangat penting.
- Kriteria informasi Akaike memiliki hasil yang rumit dan tidak dapat diprediksi. Sebaliknya, kriteria informasi Bayesian memiliki hasil yang mudah dengan konsistensi.
- AIC memberikan asumsi optimis. Pada saat yang sama, cakupan BIC merupakan asumsi yang kurang optimal.
- Risiko diminimalkan di AIC dan maksimum di BIC.
- Teori Akaike membutuhkan probabilitas kurang dari 1, dan Bayesian membutuhkan tepat 1 untuk mencapai model yang sebenarnya.
- 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
Artikel ini ditulis oleh: Supriya Kandekar
Terakhir Diperbarui : 11 Juni 2023
Saya telah berusaha keras menulis posting blog ini untuk memberikan nilai kepada Anda. Ini akan sangat membantu saya, jika Anda mempertimbangkan untuk membagikannya di media sosial atau dengan teman/keluarga Anda. BERBAGI ADALAH ️
Emma Smith memegang gelar MA dalam bahasa Inggris dari Irvine Valley College. Dia telah menjadi Jurnalis sejak tahun 2002, menulis artikel tentang bahasa Inggris, Olahraga, dan Hukum. Baca lebih lanjut tentang saya tentang dia halaman bio.
Penjelasan rinci tentang AIC dan BIC yang ditawarkan dalam artikel ini berkontribusi signifikan terhadap pemahaman keseluruhan kriteria pemilihan model ini.
Tinjauan komprehensif AIC dan BIC yang diuraikan dalam artikel ini meningkatkan pemahaman kriteria ini dalam konteks analisis statistik.
Perbandingan antara AIC dan BIC disajikan dengan sangat jelas, sehingga memungkinkan pemahaman yang lebih baik tentang peran masing-masing dalam pemodelan statistik.
Saya sangat setuju. Risiko yang terkait dengan AIC dan BIC sangat menggugah pikiran.
Perbedaan yang jelas antara AIC dan BIC memudahkan peneliti dalam mengambil keputusan dalam pemilihan model.
Ini adalah studi yang dilakukan dengan baik yang memberikan wawasan jelas mengenai perbedaan penting antara AIC dan BIC.
Ya, analisa mendalam tentang AIC dan BIC beserta perhitungannya masing-masing sangat informatif.
Saya sangat setuju. Tabel perbandingan sangat membantu dalam memahami perbedaan masing-masing kriteria.
Artikel ini memberikan gambaran komprehensif tentang AIC dan BIC, sehingga lebih mudah untuk memahami signifikansinya dalam analisis statistik.
Tentu saja, poin-poin penting disajikan secara ringkas, dan perbandingan antara AIC dan BIC sangat mencerahkan.
Saya mempunyai beberapa keraguan tentang keakuratan AIC dan BIC, terutama dalam hal penerapannya dalam beragam skenario penelitian.
Saya memahami kekhawatiran Anda. Akan menarik untuk mengeksplorasi studi kasus di mana keterbatasan AIC dan BIC terlihat jelas.
Pastinya ada ruang untuk penyelidikan lebih lanjut mengenai implikasi praktis AIC dan BIC dalam penelitian dunia nyata.
Meskipun artikel ini menyajikan pemeriksaan menyeluruh terhadap AIC dan BIC, akan bermanfaat jika mengatasi potensi keterbatasan dan tantangan yang terkait dengan penggunaannya.
Saya berbagi perspektif Anda. Menjelajahi implikasi praktis AIC dan BIC di berbagai bidang penelitian dapat memberikan wawasan yang berharga.
Sepakat. Eksplorasi potensi kelemahan AIC dan BIC akan memberikan kontribusi pada pemahaman yang lebih seimbang mengenai kegunaannya.
Tabel perbandingan secara efektif menunjukkan perbedaan antara AIC dan BIC, menyoroti aspek rumit pemilihan model statistik.
Memang benar, implikasi praktis dari AIC dan BIC telah diungkapkan dengan baik, sehingga memberikan wawasan berharga bagi para peneliti.
Analisis rinci artikel tentang AIC dan BIC berfungsi sebagai sumber berharga bagi para peneliti yang terlibat dalam pemilihan dan analisis model.