Forskjellen mellom AIC og BIC

AIC vs BIC

AIC og BIC brukes mye i modellvalgskriterier. AIC betyr Akaikes informasjonskriterier og BIC betyr bayesiske informasjonskriterier. Selv om disse to begrepene adresserer modellvalg, er de ikke det samme. Man kan komme over kanskje forskjellen mellom de to tilnærmingene til modellvalg.

Akaikes informasjonskriterier ble dannet i 1973 og Bayesian Information Criteria i 1978. Hirotsugu Akaike utviklet Akaikes informasjonskriterier mens Gideon E. Schwarz utviklet Bayesian informasjonskriterium.

AIC kan betegnes som en mesaur av godhet av passform av en estimert statistisk modell. BIC er en type modellvalg blant en klasse av parametriske modeller med forskjellig antall parametere.

Når du sammenligner de bayesiske informasjonskriteriene og Akaikes informasjonskriterier, er straffen for ytterligere parametere mer i BIC enn AIC. I motsetning til AIC, straffer BIC frie parametere sterkere.

Akaikes informasjonskriterier forsøker generelt å finne ukjent modell med høy dimensjonalitet. Dette betyr at modellene ikke er ekte modeller i AIC. På den annen side kommer de bayesiske informasjonskriteriene over kun ekte modeller. Det kan også sies at Bayesian Information Criteria er konsistent, mens Akaikes informasjonskriterier ikke er det.

Når Akaikes informasjonskriterier vil presentere faren som den ville antre. De bayesiske informasjonskriteriene vil presentere faren som den ville undergrave. Selv om BIC er mer tolerant i forhold til AIC, viser den mindre toleranse ved høyere tall.

Akaikes informasjonskriterier er gode for å gjøre asymptotisk lik kryssvalidering. Tvert imot er de bayesiske informasjonskriteriene gode for konsekvent estimering.

Sammendrag

1. AIC betyr Akaikes informasjonskriterier og BIC betyr bayesiske informasjonskriterier.

2. Akaikes informasjonskriterier ble dannet i 1973 og Bayesian Information Criteria i 1978.

3. Når du sammenligner de bayesiske informasjonskriteriene og Akaikes informasjonskriterier, er straffen for ytterligere parametere mer i BIC enn AIC.

4. Akaikes informasjonskriterier forsøker generelt å finne ukjent modell med høy dimensjonalitet. På den annen side kommer de bayesiske informasjonskriteriene over kun ekte modeller.

5. Bayesian informasjonskriterier er konsekvente, mens Akaikes informasjonskriterier ikke er det.

6. Akaikes informasjonskriterier er gode for å gjøre asymptotisk lik kryssvalidering. Tvert imot er de bayesiske informasjonskriteriene gode for konsekvent estimering.

7. Selv om BIC er mer tolerant i forhold til AIC, viser det mindre toleranse ved høyere tall.

8. I motsetning til AIC, straffer BIC frie parametere sterkere.

//