ขณะแก้ไขกรณีศึกษา นักวิจัยพบตัวทำนาย ความเป็นไปได้ และปฏิสัมพันธ์มากมาย ที่ทำให้การเลือกรุ่นมีความสลับซับซ้อน ด้วยความช่วยเหลือของเกณฑ์ต่างๆ ในการเลือกแบบจำลอง พวกเขาสามารถแก้ไขปัญหาเหล่านั้นและประเมินความแม่นยำได้
AIC และ BIC เป็นสองขั้นตอนเกณฑ์ดังกล่าวสำหรับการประเมินแบบจำลอง ประกอบด้วยตัวกำหนดแบบคัดเลือกสำหรับการรวมของตัวแปรที่พิจารณา ในปี 2545 Burnham และ Anderson ได้ทำการศึกษาวิจัยเกี่ยวกับเกณฑ์ทั้งสองข้อ
AIC กับ BIC
ความแตกต่างระหว่าง AIC และ BIC คือการเลือกรูปแบบ มีการระบุไว้สำหรับการใช้งานเฉพาะและสามารถให้ผลลัพธ์ที่แตกต่าง AIC มีขนาดไม่สิ้นสุดและค่อนข้างสูง
AIC ส่งผลให้เกิดลักษณะที่ซับซ้อน ในขณะที่ BIC มีมิติที่จำกัดและแอตทริบิวต์ที่สอดคล้องกันมากกว่า แบบแรกดีกว่าสำหรับการค้นพบเชิงลบ และแบบหลังใช้สำหรับแง่บวก
ตารางเปรียบเทียบระหว่าง AIC และ BIC
พารามิเตอร์ของการเปรียบเทียบ | เอไอซี | บิ๊กซี |
แบบฟอร์มเต็ม | AIC แบบเต็มคือเกณฑ์ข้อมูล Akaike | BIC แบบเต็มคือเกณฑ์ข้อมูลเบย์ |
คำนิยาม | การประเมินช่วงเวลาอย่างต่อเนื่องและสอดคล้องกันระหว่างความน่าจะเป็นของข้อเท็จจริงที่ไม่ทราบสาเหตุ ถูกต้อง และสมเหตุสมผล เรียกว่า Akaike Information Criteria หรือ AIC | ภายใต้โครงสร้าง Bayesian โดยเฉพาะ การประเมินวัตถุประสงค์ของความเป็นไปได้ที่ถูกต้องตามแบบจำลองนั้นเรียกว่า Bayesian Information Criteria หรือ BIC |
สูตร | ในการคำนวณเกณฑ์ข้อมูล Akaike สูตรคือ: AIC = 2k – 2ln(L^) | ในการคำนวณเกณฑ์ข้อมูลแบบเบย์ สูตรคือ: BIC = k ln(n) – 2ln(L^) |
การเลือกรุ่น | สำหรับผลลัพธ์เชิงลบที่เป็นเท็จ AIC จะถูกเลือกในรูปแบบ | สำหรับผลลัพธ์ที่เป็นเท็จ BIC จะถูกเลือกในรูปแบบ |
มิติ | ขนาดของ AIC นั้นไม่มีที่สิ้นสุดและค่อนข้างสูง | ขนาดของ BIC มีขอบเขตจำกัดและต่ำกว่า AIC |
ระยะโทษ | เงื่อนไขบทลงโทษมีขนาดเล็กลงที่นี่ | เงื่อนไขบทลงโทษมีขนาดใหญ่กว่าที่นี่ |
ความน่าจะเป็น | ในการเลือกแบบจำลองที่แท้จริงใน AIC ความน่าจะเป็นควรน้อยกว่า 1 | ในการเลือกแบบจำลองที่แท้จริงใน BIC ความน่าจะเป็นควรอยู่ที่ 1 ทุกประการ |
ผล | ที่นี่ ผลลัพธ์ที่คาดเดาไม่ได้และซับซ้อนกว่า BIC | ที่นี่ผลลัพธ์มีความสอดคล้องและง่ายกว่า AIC |
สมมติฐาน | ด้วยความช่วยเหลือของสมมติฐาน AIC สามารถคำนวณความครอบคลุมที่เหมาะสมที่สุดได้ | ด้วยความช่วยเหลือของสมมติฐาน BIC สามารถคำนวณความครอบคลุมที่เหมาะสมน้อยกว่าของ AIC |
ความเสี่ยง | ความเสี่ยงลดลงด้วย AIC เนื่องจาก n มากกว่า k. มาก2. | ความเสี่ยงสูงสุดด้วย BIC เนื่องจาก n มีขอบเขตจำกัด |
เอไอซีคืออะไร?
โมเดลนี้ได้รับการประกาศครั้งแรกโดยนักสถิติ 'Hirotugu Akaike' ในปี 1971 และบทความที่เป็นทางการชุดแรกได้รับการตีพิมพ์โดย Akaike ในปี 1974 และได้รับการอ้างอิงมากกว่า 14, 000 รายการ
Akaike Information Criteria (AIC) คือการประเมินความต่อเนื่องนอกเหนือจากช่วงเวลาที่สอดคล้องกันระหว่างความน่าจะเป็นของข้อเท็จจริงที่ไม่ทราบสาเหตุ ถูกต้อง และสมเหตุสมผล เป็นวัตถุประสงค์ความน่าจะเป็นแบบบูรณาการของแบบจำลอง ดังนั้น AIC ที่ต่ำกว่าหมายความว่าแบบจำลองนั้นมีความใกล้เคียงกันมากกว่าในด้านความแม่นยำ สำหรับข้อสรุปที่เป็นเท็จจะเป็นประโยชน์
ในการเข้าถึงแบบจำลองที่แท้จริงต้องมีความน่าจะเป็นน้อยกว่า 1 มิติของ AIC นั้นไม่มีที่สิ้นสุดและมีจำนวนค่อนข้างสูง เพราะมันให้ผลลัพธ์ที่คาดเดาไม่ได้และซับซ้อน ครอบคลุมสมมติฐานที่เหมาะสมที่สุด เงื่อนไขการลงโทษมีขนาดเล็กลง นักวิจัยหลายคนเชื่อว่ามีประโยชน์โดยมีความเสี่ยงน้อยที่สุดในขณะที่สันนิษฐาน เพราะที่นี่ n มากกว่า k2.
การคำนวณ AIC ทำได้โดยใช้สูตรต่อไปนี้:
BIC คืออะไร?
Bayesian Information Criteria (BIC) เป็นการประเมินวัตถุประสงค์ของความเป็นไปได้ ตามแบบจำลองที่มีความถูกต้อง ภายใต้โครงสร้าง Bayesian โดยเฉพาะ ดังนั้น BIC ที่ต่ำกว่าหมายความว่าแบบจำลองได้รับการยอมรับว่าคาดว่าจะเป็นแบบจำลองที่แม่นยำต่อไป
ทฤษฎีนี้ได้รับการพัฒนาและเผยแพร่โดย Gideon E. Schwarz ในปี 1978 นอกจากนี้ยังเป็นที่รู้จักในชื่อ Schwarz Information Criterion หรือเรียกสั้นๆ ว่า SIC, SBIC หรือ SBC ในการบรรลุแบบจำลองที่แท้จริง มันต้องการความน่าจะเป็น 1 อย่างแน่นอน สำหรับผลลัพธ์ที่เป็นบวกลวง จะมีประโยชน์
เงื่อนไขการลงโทษมีความสำคัญ มีมิติที่จำกัดซึ่งให้ผลลัพธ์ที่สม่ำเสมอและง่ายดาย นักวิทยาศาสตร์กล่าวว่าการครอบคลุมที่เหมาะสมนั้นน้อยกว่า AIC สำหรับสมมติฐาน ที่แม้แต่ลำดับในการรับความเสี่ยงสูงสุด เพราะที่นี่ n สามารถกำหนดได้
การคำนวณ BIC ทำได้โดยใช้สูตรต่อไปนี้:
'เกณฑ์สะพาน' หรือ BC ได้รับการพัฒนาโดย Jie Ding, Vahid Tarokh และ Yuhong Yang เกณฑ์การตีพิมพ์เผยแพร่เมื่อวันที่ 20 มิถุนายน พ.ศ. 2560 ใน IEEE Transactions on Information Theory แรงจูงใจของมันคือการเชื่อมช่องว่างพื้นฐานระหว่างโมดูล AIC และ BIC
ความแตกต่างที่สำคัญระหว่าง AIC และ BIC
บทสรุป
AIC และ BIC ต่างก็มีความแม่นยำเกือบเท่ากันทั้งนี้ขึ้นอยู่กับวัตถุประสงค์ที่หลากหลายและการรวบรวมการเก็งกำไรแบบไม่แสดงอาการที่แตกต่างกัน ข้อสันนิษฐานทั้งสองกลุ่มไม่ได้รับการอนุมัติเนื่องจากเป็นไปไม่ได้ ไดนามิกสำหรับอัลฟ่าที่กระจายแต่ละรายการกำลังเพิ่มขึ้นใน ' n ' ดังนั้น โดยทั่วไปโมเดล AIC มีโอกาสที่จะเลือกใช้โมเดลที่สูงเช่นเดียวกัน แม้ว่าจะมี n BIC มีความไม่แน่นอนที่จำกัดเกินไปในการรวบรวมแบบจำลองที่มีนัยสำคัญหาก n เพียงพอ แม้ว่าจะมีความเป็นไปได้มากกว่า AIC สำหรับการนำเสนอทั้งหมด n ของการตั้งค่านอกเหนือจากแบบสั้น
การรับรู้ถึงความผันแปรภายในการปฏิบัติงานของพวกมันเป็นเรื่องปกติมากที่สุด ถ้ายอมรับข้อเท็จจริงเล็กน้อยของการวิเคราะห์แบบจำลองที่มีความสัมพันธ์กันสองแบบ วิธีการที่น่าเชื่อถือที่สุดในการใช้งานทั้งสองแบบพร้อมกันในช่วงของรุ่น สำหรับคำตัดสินที่เป็นเท็จ AIC นั้นมีประโยชน์มากกว่า ในทางกลับกัน BIC จะดีกว่าสำหรับผลบวกลวง เมื่อเร็ว ๆ นี้ 'เกณฑ์สะพาน' ได้ถูกสร้างขึ้นเพื่อเชื่อมบล็อกที่มีนัยสำคัญระหว่างโมดูล AIC และ BIC ก่อนหน้านี้ใช้สำหรับการตัดสินใจเชิงลบและต่อไปนี้ใช้สำหรับการตัดสินใจในเชิงบวก
อ้างอิง
บทความนี้เขียนโดย: Supriya Kandekar