Trong khi giải quyết một nghiên cứu điển hình, một nhà nghiên cứu bắt gặp nhiều yếu tố dự đoán, khả năng và tương tác. Điều đó làm cho việc chọn một mô hình trở nên phức tạp. Với sự trợ giúp của các tiêu chí khác nhau để lựa chọn mô hình, họ có thể giải quyết những vấn đề đó và ước tính độ chính xác.
AIC và BIC là hai quy trình tiêu chí để đánh giá một mô hình. Chúng bao gồm các yếu tố quyết định chọn lọc để tổng hợp các biến được xem xét. Năm 2002, Burnham và Anderson đã thực hiện một nghiên cứu về cả hai tiêu chí này.
AIC vs BIC
Sự khác biệt giữa AIC và BIC là việc lựa chọn mô hình của họ. Chúng được chỉ định cho các mục đích sử dụng cụ thể và có thể đưa ra các kết quả phân biệt. AIC có kích thước vô hạn và tương đối cao.
AIC dẫn đến các đặc điểm phức tạp, trong khi BIC có nhiều kích thước hữu hạn hơn và các thuộc tính nhất quán. Kết quả đầu tiên tốt hơn cho các phát hiện tiêu cực, và kết quả sau được sử dụng cho kết quả tích cực.
Bảng so sánh giữa AIC và BIC
| Các thông số so sánh | AIC | BIC |
| Thông tin đầy đủ | Hình thức đầy đủ của AIC là Tiêu chí Thông tin Akaike. | Hình thức đầy đủ của BIC là Tiêu chí Thông tin Bayes. |
| Sự định nghĩa | Việc đánh giá khoảng thời gian liên tục và tương ứng giữa xác suất chưa xác định, chính xác và hợp lý của các dữ kiện, được gọi là Tiêu chí thông tin Akaike hoặc AIC. | Theo cấu trúc Bayesian cụ thể, việc đánh giá chính xác mục đích của khả năng tuân theo mô hình được gọi là Tiêu chí thông tin Bayes hoặc BIC. |
| Công thức | Để tính tiêu chí thông tin Akaike, công thức là: AIC = 2k - 2ln (L ^) | Để tính toán tiêu chí thông tin Bayes, công thức là: BIC = k ln (n) - 2ln (L ^) |
| Lựa chọn mô hình | Đối với các kết quả âm tính giả, AIC được chọn trong mô hình. | Đối với các kết quả dương tính giả, BIC được chọn trong mô hình. |
| Kích thước | Kích thước của AIC là vô hạn và tương đối cao. | Thứ nguyên của BIC là hữu hạn và thấp hơn của AIC. |
| Thời hạn phạt | Các điều khoản phạt ở đây nhỏ hơn. | Các điều khoản phạt ở đây lớn hơn. |
| Xác suất | Để chọn mô hình đúng trong AIC, xác suất phải nhỏ hơn 1. | Để chọn mô hình đúng trong BIC, xác suất phải chính xác là 1. |
| Các kết quả | Ở đây, kết quả không thể đoán trước và phức tạp hơn BIC. | Ở đây, kết quả nhất quán và dễ dàng hơn AIC. |
| Giả định | Với sự trợ giúp của các giả định, AIC có thể tính toán phạm vi bảo hiểm tối ưu nhất. | Với sự trợ giúp của các giả định, BIC có thể tính toán phạm vi bảo hiểm ít tối ưu hơn của AIC. |
| Rủi ro | Rủi ro được giảm thiểu với AIC, vì n lớn hơn nhiều so với k2. | Rủi ro được tối đa hóa với BIC, vì n là hữu hạn. |
AIC là gì?
Mô hình được nhà thống kê ‘Hirotugu Akaike’ công bố lần đầu tiên vào năm 1971. Và bài báo chính thức đầu tiên được Akaike xuất bản vào năm 1974 và đã nhận được hơn 14, 000 trích dẫn.
Tiêu chí thông tin Akaike (AIC) là đánh giá liên tục ngoài khoảng thời gian tương ứng giữa xác suất dữ kiện chưa xác định, chính xác và hợp lý. Đó là mục đích xác suất tích hợp của mô hình. Vì vậy, AIC thấp hơn có nghĩa là một mô hình được ước tính là giống nhau hơn về độ chính xác. Đối với các kết luận âm tính giả, nó rất hữu ích.
Để đạt được một mô hình đúng, yêu cầu xác suất nhỏ hơn 1. Thứ nguyên của AIC là vô hạn và số lượng tương đối cao. Bởi vì nó cung cấp những kết quả không thể đoán trước và phức tạp. Nó phục vụ phạm vi tối ưu nhất của các giả định. Các điều khoản phạt của nó nhỏ hơn. Nhiều nhà nghiên cứu tin rằng nó có lợi với những rủi ro tối thiểu trong khi giả định. Vì ở đây, n lớn hơn k2.
Tính toán AIC được thực hiện theo công thức sau:
BIC là gì?
Tiêu chí Thông tin Bayes (BIC) là một đánh giá về mục đích của khả năng, theo mô hình là chính xác, theo một cấu trúc Bayes cụ thể. Vì vậy, BIC thấp hơn có nghĩa là một mô hình được thừa nhận là sẽ được dự đoán nhiều hơn là mô hình chính xác.
Lý thuyết được phát triển và xuất bản bởi Gideon E. Schwarz vào năm 1978. Ngoài ra, nó còn được gọi là Tiêu chí Thông tin Schwarz, viết tắt là SIC, SBIC, hoặc SBC. Để đạt được một mô hình đúng, nó yêu cầu xác suất chính xác là 1. Đối với các kết quả dương tính giả, điều này rất hữu ích.
Các điều khoản phạt là đáng kể. Kích thước của nó là hữu hạn cho kết quả nhất quán và dễ dàng. Các nhà khoa học nói rằng vùng phủ sóng tối ưu của nó ít hơn AIC đối với các giả định. Điều đó thậm chí còn dẫn đến việc chấp nhận rủi ro tối đa. Vì ở đây, n có thể xác định được.
Tính toán BIC được thực hiện theo công thức sau:
‘Tiêu chí Cầu’ hay BC, được phát triển bởi Jie Ding, Vahid Tarokh và Yuhong Yang. Việc công bố tiêu chí này vào ngày 20 tháng 6 năm 2017 trong IEEE Giao dịch trên lý thuyết thông tin. Động cơ của nó là thu hẹp khoảng cách cơ bản giữa các mô-đun AIC và BIC.
Sự khác biệt chính giữa AIC và BIC
Sự kết luận
Cả AIC và BIC đều gần như chính xác tùy thuộc vào các mục tiêu khác nhau của chúng và một tập hợp các suy đoán tiệm cận khác nhau. Cả hai nhóm giả định đã bị bác bỏ vì không khả thi. Tính năng động cho mỗi alpha phân phối đang tăng lên trong ‘n.’ Do đó, mô hình AIC thường có triển vọng thích một mô hình cao tương tự, mặc dù n. BIC có độ không chắc chắn quá hạn chế trong việc thu thập trên một mô hình quan trọng nếu n là đủ. Mặc dù, nó có một khả năng lớn hơn AIC, đối với tất cả n được trình bày, là thích bên cạnh một mô hình ngắn.
Việc thừa nhận sự thay đổi trong quá trình thực hiện hoạt động của chúng là phổ biến nhất nếu thực tế nhẹ về việc phân tích hai mô hình tương quan được thừa nhận. Phương pháp đáng tin cậy nhất để áp dụng cả hai là đồng thời trong phạm vi mô hình. Đối với các phán quyết âm tính giả, AIC có lợi hơn. Ngược lại, BIC tốt hơn cho dương tính giả. Gần đây, ‘Tiêu chí Cầu nối’ đã được hình thành, để kết nối khối quan trọng giữa các mô-đun AIC và BIC. Phần trước được sử dụng cho các quyết định tiêu cực và phần sau cho các quyết định tích cực.
Người giới thiệu
Bài báo này được viết bởi: Supriya Kandekar
