Tapaustutkimusta ratkoessaan tutkija kohtaa monia ennustajia, mahdollisuuksia ja vuorovaikutuksia. Tämä tekee mallin valinnasta vaikeaa. Erilaisten mallinvalintakriteerien avulla he voivat ratkaista nämä ongelmat ja arvioida tarkkuuden.
AIC ja BIC ovat kaksi tällaista mallin arvioinnin kriteeriprosessia. Ne koostuvat valikoivista determinanteista tarkasteltujen muuttujien aggregoimiseksi. Vuonna 2002 Burnham ja Anderson tekivät tutkimuksen molemmista kriteereistä.
AIC vs BIC
Ero AIC:n ja BIC:n välillä on se, että he valitsevat mallin. Ne on määritelty tiettyihin käyttötarkoituksiin ja ne voivat antaa erottuvia tuloksia. AIC:llä on äärettömät ja suhteellisen suuret mitat.
AIC johtaa monimutkaisiin piirteisiin, kun taas BIC:llä on rajallisempi ulottuvuus ja yhdenmukaisempi attribuutti. Edellinen on parempi negatiivisiin löydöksiin ja jälkimmäinen positiivisiin löydöksiin.
AIC:n ja BIC:n vertailutaulukko
| Vertailuparametrit | AIC | BIC |
| Täydelliset lomakkeet | AIC:n täysi muoto on Akaike Information Criteria. | BIC:n täysi muoto on Bayesian Information Criteria. |
| Määritelmä | Jatkuvan ja vastaavan aikavälin arviointia tosiasioiden määrittelemättömän, tarkan ja perustellun todennäköisyyden välillä kutsutaan Akaike Information Criteriaksi tai AIC:ksi. | Tietyn bayesilaisen rakenteen mukaisesti mallin mukaisen mahdollisuuden tarkoituksen tarkkaa arviointia kutsutaan Bayesin tietokriteeriksi tai BIC:ksi. |
| Kaava | Akaike-tietokriteerin laskemiseksi kaava on: AIC = 2k – 2ln(L^) | Bayesin tietokriteerin laskemiseksi kaava on: BIC = k ln(n) – 2ln(L^) |
| Mallin valinta | Väärin negatiivisille tuloksille mallissa valitaan AIC. | Väärin positiivisille tuloksille mallissa valitaan BIC. |
| Ulottuvuus | AIC:n ulottuvuus on ääretön ja suhteellisen korkea. | BIC:n ulottuvuus on äärellinen ja pienempi kuin AIC:n. |
| Rangaistusaika | Rangaistusehdot ovat täällä pienemmät. | Rangaistusehdot ovat täällä isommat. |
| Todennäköisyys | Todellisen mallin valitsemiseksi AIC:ssä todennäköisyyden tulee olla pienempi kuin 1. | Todellisen mallin valitsemiseksi BIC:ssä todennäköisyyden tulee olla täsmälleen 1. |
| Tulokset | Tässä tulokset ovat arvaamattomia ja monimutkaisia kuin BIC. | Tässä tulokset ovat johdonmukaisia ja helpompia kuin AIC. |
| Oletukset | Oletusten avulla AIC voi laskea optimaalisen peiton. | Oletusten avulla BIC voi laskea vähemmän optimaalisen peiton kuin AIC. |
| Riskit | Riski minimoidaan AIC:llä, koska n on paljon suurempi kuin k2. | Riski maksimoidaan BIC:llä, koska n on äärellinen. |
Mikä on AIC?
Tilastomies Hirotugu Akaike julkisti mallin ensimmäisen kerran vuonna 1971. Ensimmäisen virallisen artikkelin julkaisi Akaike vuonna 1974, ja se sai yli 14 000 lainausta.
Akaike Information Criteria (AIC) on jatkuvan ja vastaavan aikavälin arviointi tosiasioiden määrittelemättömän, tarkan ja perustellun todennäköisyyden välillä. Se on mallin integroitu todennäköisyyslaskenta. Pienempi AIC tarkoittaa, että mallin on arvioitu olevan tarkkuudeltaan samanlainen. Se on hyödyllinen väärien negatiivisten johtopäätösten tekemiseen.
Tosimallin saavuttaminen vaatii alle 1:n todennäköisyyden. AIC:n ulottuvuus on ääretön ja sen määrä on suhteellisen suuri. Siksi se tarjoaa arvaamattomia ja monimutkaisia tuloksia. Se kattaa oletukset optimaalisesti. Sen rangaistusehdot ovat pienemmät. Monet tutkijat uskovat, että se hyödyttää mahdollisimman vähän riskejä. Koska tässä n on suurempi kuin k2.
AIC-laskenta suoritetaan seuraavalla kaavalla:
Mikä on BIC?
Bayesian Information Criteria (BIC) on arvio mahdollisuuden tarkoituksesta, malli on tarkka, tietyn Bayesin rakenteen mukaisesti. Joten pienempi BIC tarkoittaa, että mallin oletetaan edelleen olevan tarkka malli.
Teorian kehitti ja julkaisi Gideon E. Schwarz vuonna 1978. Se tunnetaan myös nimellä Schwarz Information Criterion, lyhyesti SIC, SBIC tai SBC. Tosimallin saavuttaminen vaatii todennäköisyyden täsmälleen 1. Vääriä positiivisia tuloksia varten se on hyödyllinen.
Rangaistusehdot ovat huomattavat. Sen ulottuvuus on rajallinen, mikä antaa johdonmukaisia ja helppoja tuloksia. Tiedemiehet sanovat, että sen optimaalinen kattavuus on pienempi kuin AIC oletuksiin. Se johtaa jopa maksimaaliseen riskinottoon. Koska tässä n on määriteltävissä.
BIC-laskenta suoritetaan seuraavalla kaavalla:
"Bridge Criterion" tai eKr., kehittivät Jie Ding, Vahid Tarokh ja Yuhong Yang. Kriteeri julkaistiin 20.6.2017 IEEE Transactions on Information Theory -julkaisussa. Sen motiivi oli kuroa umpeen AIC- ja BIC-moduulien välinen perustavanlaatuinen kuilu.
Tärkeimmät erot AIC:n ja BIC:n välillä
Johtopäätös
AIC ja BIC ovat molemmat lähes tarkkoja riippuen niiden erilaisista tavoitteista ja erillisestä asymptoottisten spekulaatioiden kokoelmasta. Molemmat olettamusryhmät on hylätty toteuttamiskelpoisina. Kunkin hajautetun alfan dynaamisuus kasvaa 'n:ssä'. Siksi AIC-mallilla on tyypillisesti mahdollisuus suosia myös korkeaa mallia n:stä huolimatta. BIC:llä on liian rajallinen epävarmuus kerätä merkittävästä mallista, jos n on riittävä. Vaikka sillä on valtava mahdollisuus kuin AIC, kaikille esitetyille n:lle, suosia lyhyen mallin lisäksi.
Niiden operatiivisen toteutumisen vaihtelun tunnistaminen on yleisintä, jos kahden korreloivan mallin analysoinnin lievä tosiasia tunnustetaan. Luotettavin tapa soveltaa niitä molempia samanaikaisesti on mallivalikoimassa. Väärin negatiivisille tuomioille AIC on hyödyllisempi. Toisaalta BIC on parempi väärille positiivisille. Viime aikoina muodostettiin "siltakriteeri" silloittamaan merkittävä lohko AIC- ja BIC-moduulien välillä. Edellistä käytetään negatiivisille päätöksille ja seuraavaa myönteisille päätöksille.
Viitteet
Tämän artikkelin on kirjoittanut: Supriya Kandekar
