Τα AIC και τα BIC χρησιμοποιούνται ευρέως στα κριτήρια επιλογής μοντέλων. Το AIC σημαίνει τα κριτήρια δεδομένων του Akaike και τα κριτήρια δεδομένων BIC Bayesian. Παρόλο που αυτοί οι δύο όροι αναφέρονται στην επιλογή μοντέλου, δεν είναι οι ίδιοι. Μπορεί να υπάρχουν διαφορές μεταξύ των δύο προσεγγίσεων στην επιλογή μοντέλου.

Τα κριτήρια δεδομένων του Akaike θεσπίστηκαν το 1973 και τα κριτήρια Bayesian data το 1978.

Το AIC μπορεί να ονομαστεί κριτήριο συμμόρφωσης με οποιοδήποτε προβλεπόμενο στατιστικό μοντέλο. Το BIC είναι ένας τύπος επιλογής μοντέλου μεταξύ μιας κατηγορίας παραμετρικών μοντέλων με διαφορετικές παραμέτρους.

Κατά τη σύγκριση των κριτηρίων δεδομένων Bayesian και των δεδομένων δεδομένων της Akaike, τα πρόστιμα για πρόσθετες παραμέτρους είναι περισσότερα BIC από τα AIC. Σε αντίθεση με το AIC, το BIC τιμωρεί τις ελεύθερες παραμέτρους σκληρότερα.

Τα κριτήρια δεδομένων του Akaike προσπαθούν συνήθως να βρουν ένα άγνωστο μοντέλο με μεγάλη διαστασιολόγηση. Αυτό σημαίνει ότι τα μοντέλα δεν είναι ένα πραγματικό μοντέλο στο AIC. Από την άλλη πλευρά, τα Bayesian κριτήρια δεδομένων μπορούν να βρεθούν μόνο σε πραγματικά μοντέλα. Μπορούμε να πούμε ότι τα κριτήρια Bayesian δεδομένων είναι συνεπή, και τα κριτήρια δεδομένων του Akaike δεν είναι.

Όταν τα δεδομένα αναφοράς της Akaike θέτουν σε κίνδυνο, μπορούν να εξοπλιστούν. Τα κριτήρια του Bayesian δεδομένων τον έφεραν σε κίνδυνο. Αν και το BIC είναι πιο ανθεκτικό σε σύγκριση με το AIC, δείχνει λιγότερη ανοχή σε υψηλότερους αριθμούς.

Τα κριτήρια δεδομένων του Akaike είναι εξαιρετικά για ασύμμετρες εξισώσεις αλληλεπιδράσεων. Αντίθετα, τα κριτήρια Bayesian δεδομένων είναι εξαιρετικά για συνεπή αξιολόγηση.

Περίληψη

1. Ως AIC νοούνται τα κριτήρια δεδομένων της Akaike και τα κριτήρια αναφοράς του BIC Bayesian.

2. Τα κριτήρια δεδομένων της Akaike θεσπίστηκαν το 1973 και τα κριτήρια Bayesian δεδομένα το 1978.

3. Κατά τη σύγκριση των κριτηρίων δεδομένων Bayesian και των κριτηρίων δεδομένων Akaike, οι ποινές για πρόσθετες παραμέτρους είναι μεγαλύτερες από αυτές της AIC.

4. Τα κριτήρια δεδομένων του Akaike προσπαθούν συνήθως να βρουν ένα άγνωστο μοντέλο με διαστάσεις πραγματικότητας. Από την άλλη πλευρά, τα Bayesian κριτήρια δεδομένων μπορούν να βρεθούν μόνο σε πραγματικά μοντέλα.

5. Τα κριτήρια Bayesian δεδομένων είναι συνεπή, τα κριτήρια δεδομένων του Akaike δεν είναι.

6. Τα κριτήρια δεδομένων του Akaike είναι εξαιρετικά για την ασύμμετρη εξίσωση της διασύνδεσης. Αντίθετα, τα κριτήρια Bayesian δεδομένων είναι εξαιρετικά για συνεπή αξιολόγηση.

7. Αν και το BIC είναι πιο ανθεκτικό από το AIC, εμφανίζει μικρότερη ανοχή σε υψηλότερους αριθμούς.

8. Σε αντίθεση με το AIC, το BIC τιμωρεί τις ελεύθερες παραμέτρους σκληρότερα.

//

Αναφορές