27 我正在使用AIC（Akaike的信息标准）来比较R中的非线性模型。比较不同类型的模型的AIC是否有效？具体来说，我正在比较glm拟合的模型与glmer（lme4）拟合的带有随机效应项的模型。 如果没有，有没有办法进行这种比较？还是这个想法完全无效？ lme4-nlme model-selection aic — 托马斯·K source
12 这取决于。AIC是对数似然的函数。如果两种类型的模型都以相同的方式（即包含相同的常数）计算对数似然率，则可以，如果模型是嵌套的，则可以。 我可以肯定地说，glm()并且lmer()不会使用可比的对数可能性。 关于嵌套模型的观点也有待讨论。有人说AIC仅对嵌套模型有效，因为这是如何介绍/研究该理论的方法。其他人则将其用于各种比较。 — 恢复莫妮卡-辛普森 source 我的理解是，lme4默认情况下使用REML，而glm使用ML。如果您通过设置REML = FALSE使lmer使用ML，它们可能是可比的。 — russellpierce 除了您Gavin的评论外，这还取决于您要对模型执行的操作。是用于预测的模型，还是Thomas正在寻找简约性？（我认为） — suncoolsu 2010年 3 @drnexus：我认为这还不够；您必须确保在对数似然计算中使用相同的归一化常数。 — 恢复莫妮卡-辛普森 2 @Thomas：为此，您需要查看代码或与编写代码的人交谈以确保。通常，假设可能性在不同的软件/程序包/功能之间不具有可比性。 — 恢复莫妮卡-辛普森 1 @ user3490取决于用于获取估计的软件和算法。通常，除非我确定它们是相同的，否则我认为它们是不一样的。 — 恢复莫妮卡-辛普森（G. Simpson）2012年
4 这是我一直好奇的一个很好的问题。 对于同一族中的模型（即k阶或多项式的自回归模型），AIC / BIC非常有意义。在其他情况下，则不清楚。精确计算对数似然（使用常数项）应该可以，但是使用更复杂的模型比较（例如贝叶斯因子）可能更好（http://www.jstor.org/stable/2291091）。 如果模型具有相同的损失/误差函数，一种选择是仅比较交叉验证的对数似然率。当我不确定在某些情况下AIC / BIC是否有意义时，通常会尝试这样做。 — 伊恩斯 source
0 请注意，在某些情况下，AIC甚至无法比较相同类型的模型，例如ARIMA模型具有不同的差分顺序。引用预测： Rob J Hyndman和George Athanasopoulos的原则和实践： ddppqqddppqq — 纳尔索克 source 确实，但关键的一点是，不是使比较成为问题的模型类型，而是定义似然性的数据。 — 理查德·哈迪