Bij het oplossen van een casestudy komt een onderzoeker veel voorspellers, mogelijkheden en interacties tegen. Dat maakt het ingewikkeld om een model te kiezen. Met behulp van verschillende criteria voor modelselectie kunnen ze die problemen oplossen en de precisie inschatten.
De AIC en BIC zijn de twee dergelijke criteriaprocessen voor het evalueren van een model. Ze bestaan uit selectieve determinanten voor de aggregatie van de beschouwde variabelen. In 2002 deden Burnham en Anderson een onderzoek naar beide criteria.
Key Takeaways
- AIC en BIC zijn beide maatstaven die worden gebruikt voor modelselectie in statistische analyse.
- AIC staat voor Akaike Information Criterion en BIC staat voor Bayesian Information Criterion.
- AIC bestraft de modelcomplexiteit minder dan BIC, wat betekent dat AIC de voorkeur kan hebben voor kleinere steekproeven, terwijl BIC de voorkeur kan hebben voor grotere steekproeven.
AIC versus BIC
AIC meet de relatieve kwaliteit van een statistisch model voor een bepaalde set gegevens. Het is gebaseerd op de waarschijnlijkheidsfunctie en het aantal parameters in het model. BIC is een vergelijkbaar model gebaseerd op Bayesiaanse principes voor het meten van complexiteit, maar legt een grotere straf op modellen met meer parameters.
AIC resulteert in complexe eigenschappen, terwijl BIC meer eindige dimensies en consistente attributen heeft. De eerste is beter voor negatieve bevindingen en de laatste voor positieve.
Vergelijkingstabel
| Parameters van vergelijking: | AIC | BIC |
|---|---|---|
| Volledige formulieren | De volledige vorm van AIC is de Akaike Information Criteria. | De volledige vorm van BIC is de Bayesiaanse informatiecriteria. |
| Definitie | Een evaluatie van een continu en overeenkomstig interval tussen de onbepaalde, nauwkeurige en gerechtvaardigde waarschijnlijkheid van de feiten wordt Akaike Information Criteria of AIC genoemd. | Onder een bepaalde Bayesiaanse structuur wordt een nauwkeurige evaluatie van het doel van de mogelijkheid volgens het model Bayesiaanse informatiecriteria of BIC genoemd. |
| Formule | Om het Akaike-informatiecriterium te berekenen, is de formule: AIC = 2k – 2ln(L^) | Om het Bayesiaanse informatiecriterium te berekenen, is de formule: BIC = k ln(n) – 2ln(L^) |
| Selectie van model | Voor fout-negatieve uitkomsten wordt AIC gekozen in het model. | Voor vals-positieve uitkomsten wordt BIC gekozen in het model. |
| Afmeting | De dimensie van AIC is oneindig en relatief hoog. | De dimensie van BIC is eindig en lager dan die van AIC. |
| Straftermijn | Strafvoorwaarden zijn hier kleiner. | Strafvoorwaarden zijn hier groter. |
| Waarschijnlijkheid | Om het ware model in AIC te selecteren, moet de kans kleiner zijn dan 1. | Om het ware model in BIC te selecteren, moet de kans precies 1 zijn. |
| Resultaten | Hier zijn de resultaten onvoorspelbaarder en ingewikkelder dan BIC. | Hier zijn de resultaten consistent en eenvoudiger dan AIC. |
| Veronderstellingen | Met behulp van aannames kan AIC de meest optimale dekking berekenen. | Met behulp van aannames kan BIC een minder optimale dekking berekenen dan die AIC. |
| Risico's | Het risico wordt geminimaliseerd met AIC, zoals n is veel groter dan k2. | Het risico wordt gemaximaliseerd met BIC, as n is eindig. |
Wat is AIC?
Het model werd voor het eerst aangekondigd door statisticus 'Hirotugu Akaike' in 1971. En het eerste formele artikel werd gepubliceerd door Akaike in 1974 en ontving meer dan 14,000 citaties.
Akaike Information Criteria (AIC) evalueert een continue naast het overeenkomstige interval tussen de onbepaalde, nauwkeurige en gerechtvaardigde waarschijnlijkheid van de feiten.
Het is het geïntegreerde waarschijnlijkheidsdoel van het model. Dus een lagere AIC betekent dat een model naar schatting meer overeenkomt met de nauwkeurigheid. Voor vals-negatieve conclusies is het nuttig.
Om tot een echt model te komen, is een waarschijnlijkheid van minder dan 1 vereist. De dimensie van AIC is oneindig en relatief hoog in aantal, waardoor het onvoorspelbare en gecompliceerde resultaten oplevert.
Het dient de meest optimale dekking van aannames. De strafvoorwaarden zijn kleiner. Veel onderzoekers zijn van mening dat het voordelen biedt met de minimale risico's, terwijl het veronderstelt. Want hier, n is groter dan k2.
De AIC-berekening wordt gedaan met de volgende formule:
- AIC = 2k – 2ln(L^)
Wat is BIC?
Bayesiaanse informatiecriteria (BIC) is een evaluatie van het doel van de mogelijkheid, volgens de nauwkeurigheid van het model, onder een bepaalde Bayesiaanse structuur. Dus een lagere BIC betekent dat een model erkend wordt als het exacte model.
De theorie is ontwikkeld en gepubliceerd door Gideon E. Schwarz in 1978. Het staat ook bekend als Schwarz Information Criterion, kortweg SIC, SBIC of SBC. Om tot een echt model te komen, is een waarschijnlijkheid van precies 1 vereist. Voor vals-positieve uitkomsten is het nuttig.
De boetevoorwaarden zijn fors. De dimensie is eindig en geeft consistente en gemakkelijke resultaten. Wetenschappers zeggen dat de optimale dekking minder is dan AIC voor aannames. Dat leidt zelfs tot het nemen van maximale risico's. Want hier, n is definieerbaar.
De BIC-berekening gebeurt met de volgende formule:
- BIC = k ln(n) – 2ln(L^)
Het 'Brugcriterium', BC, is ontwikkeld door Jie Ding, Vahid Tarokh en Yuhong Yang. Het criterium is op 20 juni 2017 gepubliceerd in IEEE Transactions on Information Theory. Het motief was om de fundamentele kloof tussen AIC- en BIC-modules te overbruggen.
Belangrijkste verschillen tussen AIC en BIC
- AIC wordt gebruikt bij modelselectie voor fout-negatieve uitkomsten, terwijl BIC voor fout-positief is.
- De eerste heeft een oneindige en relatief hoge dimensie. Integendeel, de laatste heeft eindig.
- De straftermijn voor de eerste is kleiner. Tegelijkertijd is de tweede substantieel.
- Akaike-informatiecriteria hebben gecompliceerde en onvoorspelbare resultaten. Omgekeerd heeft het Bayesiaanse informatiecriterium gemakkelijke resultaten met consistentie.
- AIC biedt optimistische aannames. Tegelijkertijd zijn BIC-dekkingen minder optimale aannames.
- Het risico is geminimaliseerd in AIC en maximaal in BIC.
- De Akaike-theorie vereist een waarschijnlijkheid van minder dan 1, en Bayesiaanse heeft precies 1 nodig om het ware model te bereiken.
- 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
Dit artikel is geschreven door: Supriya Kandekar
Laatst bijgewerkt: 11 juni 2023
Ik heb zoveel moeite gestoken in het schrijven van deze blogpost om jou van waarde te kunnen zijn. Het zal erg nuttig voor mij zijn, als je overweegt het te delen op sociale media of met je vrienden/familie. DELEN IS ️
Emma Smith heeft een MA in Engels van Irvine Valley College. Ze is journalist sinds 2002 en schrijft artikelen over de Engelse taal, sport en recht. Lees meer over mij op haar bio pagina.
De gedetailleerde uitleg van AIC en BIC die in het artikel wordt aangeboden, draagt aanzienlijk bij aan het algemene begrip van deze modelselectiecriteria.
Het uitgebreide overzicht van AIC en BIC dat in het artikel wordt geschetst, vergroot het begrip van deze criteria in de context van statistische analyse.
De vergelijking tussen AIC en BIC werd met grote duidelijkheid gepresenteerd, waardoor een beter begrip ontstond van hun respectieve rol in statistische modellering.
Ik ben het daar volledig mee eens. Vooral de risico's die met AIC en BIC gepaard gingen stemden tot nadenken.
Het duidelijke onderscheid tussen AIC en BIC maakt het voor onderzoekers gemakkelijker om weloverwogen beslissingen te nemen bij de modelselectie.
Dit is een goed uitgevoerd onderzoek dat duidelijke inzichten biedt in de cruciale verschillen tussen AIC en BIC.
Ja, de diepgaande analyse van AIC en BIC samen met hun respectievelijke berekeningen was zeer informatief.
Ik ben het er helemaal mee eens. De vergelijkingstabel was vooral nuttig bij het begrijpen van de nuances van elk criterium.
Het artikel biedt een uitgebreid overzicht van AIC en BIC, waardoor het gemakkelijker wordt om hun betekenis in statistische analyses te begrijpen.
Absoluut, de belangrijkste bevindingen werden beknopt gepresenteerd en de vergelijking tussen AIC en BIC was verhelderend.
Ik heb enige bedenkingen bij de nauwkeurigheid van AIC en BIC, vooral als het gaat om hun toepasbaarheid in diverse onderzoeksscenario's.
Ik begrijp je zorgen. Het zou interessant zijn om casestudies te onderzoeken waarin de beperkingen van AIC en BIC duidelijk zijn.
Er is zeker ruimte voor verder onderzoek naar de praktische implicaties van AIC en BIC in praktijkonderzoek.
Hoewel het artikel een grondig onderzoek naar AIC en BIC presenteert, zou het nuttig zijn om potentiële beperkingen en uitdagingen in verband met het gebruik ervan aan te pakken.
Ik deel jouw perspectief. Het verkennen van de praktische implicaties van AIC en BIC in verschillende onderzoeksdomeinen zou waardevolle inzichten kunnen opleveren.
Overeengekomen. Een onderzoek naar de potentiële nadelen van AIC en BIC zou bijdragen tot een evenwichtiger begrip van hun nut.
De vergelijkingstabel demonstreerde effectief het onderscheid tussen AIC en BIC, en wierp licht op de ingewikkelde aspecten van de selectie van statistische modellen.
De praktische implicaties van AIC en BIC waren inderdaad goed geformuleerd, wat waardevolle inzichten voor onderzoekers opleverde.
De gedetailleerde analyse van AIC en BIC in het artikel dient als een waardevolle hulpbron voor onderzoekers die betrokken zijn bij modelselectie en -analyse.