Ao resolver um estudo de caso, um pesquisador encontra muitos preditores, possibilidades e interações. Isso torna complicado selecionar um modelo. Com a ajuda de diferentes critérios de seleção de modelos, eles podem resolver esses problemas e estimar a precisão.
O AIC e o BIC são os dois processos de critérios para avaliar um modelo. Eles consistem em determinantes seletivos para a agregação das variáveis consideradas. Em 2002, Burnham e Anderson fizeram uma pesquisa sobre ambos os critérios.
Principais lições
- AIC e BIC são medidas usadas para seleção de modelo em análise estatística.
- AIC significa Akaike Information Criterion e BIC significa Bayesian Information Criterion.
- O AIC penaliza menos a complexidade do modelo do que o BIC, o que significa que o AIC pode ser preferido para tamanhos de amostra menores, enquanto o BIC pode ser preferido para tamanhos de amostra maiores.
AIC x BIC
AIC mede a qualidade relativa de um modelo estatístico para um determinado conjunto de dados. Baseia-se na função de verossimilhança e no número de parâmetros do modelo. O BIC é um modelo semelhante baseado nos princípios bayesianos de medida de complexidade, mas coloca uma penalidade maior em modelos com mais parâmetros.
O AIC resulta em traços complexos, enquanto o BIC tem dimensões mais finitas e atributos consistentes. O primeiro é melhor para resultados negativos e o segundo para resultados positivos.
Tabela de comparação
Parâmetros de comparação | AIC | BIC |
---|---|---|
Todas as formas | A forma completa do AIC é o Akaike Information Criteria. | A forma completa do BIC é o Bayesian Information Criteria. |
Definição | Uma avaliação de um intervalo contínuo e correspondente entre a probabilidade indeterminada, precisa e justificada dos fatos é chamada de Critério de Informação de Akaike ou AIC. | Sob uma estrutura bayesiana particular, uma avaliação precisa do propósito da possibilidade seguindo o modelo é chamada de Bayesian Information Criteria ou BIC. |
Fórmula | Para calcular o critério de informação de Akaike, a fórmula é: AIC = 2k – 2ln(L^) | Para calcular o critério de informação bayesiano, a fórmula é: BIC = k ln(n) – 2ln(L^) |
Seleção de modelo | Para resultados falso-negativos, o AIC é eleito no modelo. | Para resultados falso-positivos, o BIC é eleito no modelo. |
Dimensão | A dimensão do AIC é infinita e relativamente alta. | A dimensão do BIC é finita e menor que a do AIC. |
Termo de Penalidade | Os termos de penalidade são menores aqui. | Os termos de penalidade são maiores aqui. |
Probabilidade | Para selecionar o modelo verdadeiro no AIC, a probabilidade deve ser menor que 1. | Para selecionar o modelo verdadeiro no BIC, a probabilidade deve ser exatamente igual a 1. |
Resultados | Aqui, os resultados são mais imprevisíveis e mais complicados do que o BIC. | Aqui, os resultados são consistentes e mais fáceis do que AIC. |
Pressupostos | Com a ajuda de suposições, o AIC pode calcular a cobertura ideal. | Com a ajuda de suposições, o BIC pode calcular uma cobertura menos ideal do que o AIC. |
Riscos | O risco é minimizado com AIC, pois n é muito maior que k2. | O risco é maximizado com o BIC, pois n é finito. |
O que é AIC?
O modelo foi anunciado pela primeira vez pelo estatístico 'Hirotugu Akaike' em 1971. E o primeiro artigo formal foi publicado por Akaike em 1974 e recebeu mais de 14,000 citações.
O Akaike Information Criteria (AIC) avalia um contínuo além do intervalo correspondente entre a probabilidade indeterminada, precisa e justificada dos fatos.
É o propósito de probabilidade integrada do modelo. Portanto, um AIC mais baixo significa que um modelo é estimado como mais semelhante à precisão. Para conclusões falso-negativas, é útil.
Alcançar um modelo verdadeiro requer uma probabilidade menor que 1. A dimensão do AIC é infinita e relativamente alta em número, por isso fornece resultados imprevisíveis e complicados.
Ele serve a melhor cobertura de suposições. Seus termos de penalidade são menores. Muitos pesquisadores acreditam que se beneficia com os riscos mínimos ao presumir. Porque aqui, n é maior que k2.
O cálculo do AIC é feito com a seguinte fórmula:
- AIC = 2k – 2ln(L^)
O que é BIC?
Bayesian Information Criteria (BIC) é uma avaliação do propósito da possibilidade, seguindo a precisão do modelo, sob uma determinada estrutura bayesiana. Portanto, um BIC mais baixo significa que um modelo é reconhecido como sendo antecipado como o modelo preciso.
A teoria foi desenvolvida e publicada por Gideon E. Schwarz em 1978. Também é conhecida como Schwarz Information Criterion, abreviadamente SIC, SBIC ou SBC. Para chegar a um modelo verdadeiro, é necessária uma probabilidade de exatamente 1. Para resultados falso-positivos, é útil.
Os termos da penalidade são substanciais. Sua dimensão é finita que dá resultados consistentes e fáceis. Os cientistas dizem que sua cobertura ideal é menor que a AIC para suposições. Isso até leva à máxima assunção de riscos. Porque aqui, n é definível.
O cálculo do BIC é feito com a seguinte fórmula:
- BIC = kln(n) – 2ln(L^)
O 'Bridge Criterion', BC, foi desenvolvido por Jie Ding, Vahid Tarokh e Yuhong Yang. O critério foi publicado em 20 de junho de 2017 em IEEE Transactions on Information Theory. Seu motivo era preencher a lacuna fundamental entre os módulos AIC e BIC.
Principais diferenças entre AIC e BIC
- O AIC é usado na seleção de modelos para resultados falso-negativos, enquanto o BIC é para falso-positivo.
- O primeiro tem uma dimensão infinita e relativamente alta. Pelo contrário, o último tem finito.
- O prazo de penalidade para o primeiro é menor. Ao mesmo tempo, o segundo é substancial.
- Os critérios de informação de Akaike têm resultados complicados e imprevisíveis. Por outro lado, o critério de informação Bayesiano tem resultados fáceis com consistência.
- AIC fornece suposições otimistas. Ao mesmo tempo, as coberturas BIC são suposições menos ótimas.
- O risco é minimizado no AIC e é máximo no BIC.
- A teoria de Akaike requer uma probabilidade menor que 1, e a bayesiana precisa de exatamente 1 para alcançar o modelo verdadeiro.
- 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 artigo foi escrito por: Supriya Kandekar
Última atualização: 11 de junho de 2023
Emma Smith possui mestrado em inglês pela Irvine Valley College. Ela é jornalista desde 2002, escrevendo artigos sobre a língua inglesa, esportes e direito. Leia mais sobre mim nela página bio.
As explicações detalhadas sobre AIC e BIC oferecidas no artigo contribuem significativamente para a compreensão geral desses critérios de seleção de modelos.
A visão abrangente do AIC e do BIC descrita no artigo melhora a compreensão destes critérios no contexto da análise estatística.
A comparação entre AIC e BIC foi apresentada com grande clareza, permitindo uma melhor compreensão de seus respectivos papéis na modelagem estatística.
Eu não poderia concordar mais. Os riscos associados à AIC e à BIC foram particularmente instigantes.
A distinção clara entre AIC e BIC torna mais fácil para os pesquisadores tomarem decisões informadas na seleção de modelos.
Este é um estudo bem conduzido que fornece insights claros sobre as diferenças cruciais entre AIC e BIC.
Sim, a análise aprofundada do AIC e do BIC juntamente com os seus respectivos cálculos foi muito informativa.
Eu concordo completamente. A tabela de comparação foi especialmente útil para compreender as nuances de cada critério.
O artigo fornece uma visão abrangente do AIC e do BIC, facilitando a compreensão de sua importância na análise estatística.
Com certeza, as principais conclusões foram apresentadas de forma concisa e a comparação entre a AIC e a BIC foi esclarecedora.
Tenho algumas reservas quanto à precisão da AIC e do BIC, especialmente no que diz respeito à sua aplicabilidade em diversos cenários de investigação.
Eu percebo a tua preocupação. Seria interessante explorar estudos de caso onde as limitações do AIC e do BIC fossem evidentes.
Definitivamente, há espaço para investigações adicionais sobre as implicações práticas da AIC e da BIC na pesquisa do mundo real.
Embora o artigo apresente um exame aprofundado da AIC e do BIC, seria benéfico abordar potenciais limitações e desafios associados à sua utilização.
Eu compartilho sua perspectiva. Explorar as implicações práticas da AIC e da BIC em vários domínios de investigação poderia fornecer informações valiosas.
Acordado. Uma exploração das potenciais desvantagens do AIC e do BIC contribuiria para uma compreensão mais equilibrada da sua utilidade.
A tabela de comparação demonstrou efetivamente as distinções entre AIC e BIC, esclarecendo os aspectos intrincados da seleção de modelos estatísticos.
Na verdade, as implicações práticas da AIC e da BIC foram bem articuladas, proporcionando informações valiosas aos investigadores.
A análise detalhada do AIC e BIC do artigo serve como um recurso valioso para pesquisadores envolvidos na seleção e análise de modelos.