Forskellen mellem AIC og BIC

AIC vs BIC

AIC og BIC er vidt brugt i modeludvælgelseskriterier. AIC betyder Akaikes informationskriterier og BIC betyder bayesiske informationskriterier. Selvom disse to udtryk adresserer modelvalg, er de ikke de samme. Man kan komme på tværs af, at der kan være forskel mellem de to tilgange til modeludvælgelse.

Akaikes informationskriterier blev dannet i 1973 og Bayesian informationskriterier i 1978. Hirotsugu Akaike udviklede Akaikes informationskriterier, hvorimod Gideon E. Schwarz udviklede Bayesiske informationskriterier.

AIC kan betegnes som et væsentligt godtgørelsesevne for enhver estimeret statistisk model. BIC er en type modelvalg blandt en klasse parametriske modeller med forskellige antal parametre.

Når man sammenligner de Bayesiske informationskriterier og Akaikes informationskriterier, er straf for yderligere parametre mere i BIC end AIC. I modsætning til AIC straffer BIC frie parametre stærkere.

Akaikes informationskriterier forsøger generelt at finde ukendt model, der har høj dimensionel virkelighed. Dette betyder, at modellerne ikke er ægte modeller i AIC. På den anden side kommer de Bayesiske informationskriterier kun på tværs af sande modeller. Det kan også siges, at Bayesianske informationskriterier er ens, mens Akaikes informationskriterier ikke er tilfældet.

Når Akaikes informationskriterier vil udgøre faren for, at det ville drage. Bayesianske informationskriterier vil udgøre faren for, at det ville underfinere. Selvom BIC er mere tolerant sammenlignet med AIC, viser den mindre tolerance ved højere antal.

Akaikes informationskriterier er gode til at gøre asymptotisk ækvivalente med krydsvalidering. Tværtimod er de bayesiske informationskriterier gode til ensartet skøn.

Resumé

1. AIC betyder Akaikes informationskriterier og BIC betyder bayesiske informationskriterier.

2. Akaikes informationskriterier blev dannet i 1973 og Bayesian informationskriterier i 1978.

3. Når man sammenligner de Bayesiske informationskriterier og Akaikes informationskriterier, er straf for yderligere parametre mere i BIC end AIC.

4. Akaikes informationskriterier forsøger generelt at finde ukendt model, der har en høj dimensionel virkelighed. På den anden side kommer de Bayesiske informationskriterier kun på tværs af sande modeller.

5. Bayesianske informationskriterier er ens, mens Akaikes informationskriterier ikke er tilfældet.

6. Akaikes informationskriterier er gode til at gøre asymptotisk ækvivalent med krydsvalidering. Tværtimod er de bayesiske informationskriterier gode til ensartet skøn.

7. Selvom BIC er mere tolerant sammenlignet med AIC, viser den mindre tolerance ved højere antal.

8. I modsætning til AIC straffer BIC de gratis parametre stærkere.

//