AIC和BIC号码解释


23

我正在寻找有关如何解释AIC(赤池信息标准)和BIC(贝叶斯信息标准)估计值的示例。

BIC之间的负差可以解释为一种模型相对于另一种模型的后验几率吗?我该如何说呢?例如,BIC = -2可能暗示较好模型相对于其他模型的几率约为?Ë2=7.4

任何新手都会受到这个新手的赞赏。


看一看第2章。第2.6节-可以在Google图书上部分获得-可能会特别帮助您。books.google.se/…(参考:Kenneth P. Burnham和David R. Anderson。Springer Verlag的模型选择和多模型推断)
boscovich 2012年

Answers:


6

用于模型一个的先验模型集可以recaled到 Δ = Ç - 中号Ñ Ç其中该模型组的最佳模式将具有 Δ = 0。我们可以使用 Δ值估计的证据强度( w ^ )对所有型号的模型集,其中: w ^ = Ë - 0.5 ΔAICiΔi=AICiminAICΔ=0Δiw一世给定先验模型集, 这通常被称为模型i的“证据权重”。作为Δ增加,瓦特减小表明模型是不太可信。这些wi值可以解释为给定先验模型集的情况下,模型i是最佳模型的概率。我们还可以将模型i与模型j的相对可能性计算为

w一世=Ë-0.5Δ一世[R=1个[RË-0.5Δ一世
一世Δ一世w一世一世w一世一世一世Ĵ。例如,如果 w i = 0.8 w j = 0.1,那么我们可以说模型 i的概率是模型 j的 8倍。w一世/wĴw一世=0.8wĴ=0.1一世Ĵ

注意,当模型1是最好的模型(最小Ç)。Burnham和Anderson(2002)将其称为证据比率。下表显示了相对于最佳模型的证据比率如何变化。w1个/w2=Ë0.5Δ2一种一世C

Information Loss (Delta)    Evidence Ratio
0                           1.0
2                           2.7
4                           7.4
8                           54.6
10                          148.4
12                          403.4
15                          1808.0

参考

Burnham,KP和DR Anderson。2002。模型选择和多模型推理:实用的信息理论方法。第二版。美国纽约斯普林格。

Anderson,DR,2008年。生命科学中基于模型的推理:证据入门。美国纽约斯普林格。


您是否想弄清楚指的是什么,特别是因为总和的索引未出现在总和内。R是否跨越模型空间?[R[R
dopexxx

模型集中有R个模型。
RioRaider

3

我认为没有对AIC或BIC的任何简单解释。它们都是采用对数似然性并对估计的参数数量施加惩罚的数量。Akaike在1974年开始的论文中为AIC解释了具体的罚款。吉迪恩·施瓦茨(Gideon Schwarz)在1978年的论文中选择了BIC,并受到贝叶斯论证的激励。


2
但是,该惩罚可以解释为特定大小的优先模型。如果您碰巧采用了该先验算法(它具有一些信息理论上的依据),则可以直接从IC值计算出后验优势比。另外,@ RioRaider提到了Akaike权重,这使您有可能就KL散度而言,给定模型是该集中最佳模型。(参考-请参阅第800页)。
戴维·哈里斯

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.