أثناء حل دراسة الحالة ، يصادف الباحث العديد من المتنبئين والإمكانيات والتفاعلات. هذا يجعل من الصعب اختيار نموذج. بمساعدة معايير مختلفة لاختيار النموذج ، يمكنهم حل تلك المشكلات وتقدير الدقة.
AIC و BIC هما عمليتا المعايير لتقييم النموذج. وهي تتكون من محددات انتقائية لتجميع المتغيرات المدروسة. في عام 2002 ، أجرى بورنهام وأندرسون دراسة بحثية حول كلا المعيارين.
AIC مقابل BIC
الفرق بين AIC و BIC هو اختيارهم للنموذج. تم تحديدها لاستخدامات معينة ويمكن أن تعطي نتائج مميزة. AIC لها أبعاد لا نهائية وعالية نسبيًا.
ينتج عن AIC سمات معقدة ، بينما يحتوي BIC على أبعاد محدودة وسمات متسقة. الأول هو الأفضل للنتائج السلبية ، والأخير يستخدم للإيجابية.
جدول المقارنة بين AIC و BIC
| معلمات المقارنة | AIC | رمز BIC |
| أشكال كاملة | الشكل الكامل لـ AIC هو معايير معلومات Akaike. | الشكل الكامل لـ BIC هو معايير المعلومات Bayesian. |
| تعريف | يُطلق على تقييم الفاصل الزمني المستمر والمطابق بين الاحتمال غير المحدد والدقيق والمبرر للحقائق ، معايير معلومات Akaike أو AIC. | تحت هيكل بايزي معين ، يسمى التقييم الدقيق للغرض من إمكانية اتباع النموذج معايير معلومات بايزي أو BIC. |
| معادلة | لحساب معيار معلومات Akaike ، الصيغة هي: AIC = 2k - 2ln (L ^) | لحساب معيار المعلومات البايزية ، تكون الصيغة: BIC = k ln (n) - 2ln (L ^) |
| اختيار النموذج | للنتائج السلبية الكاذبة ، يتم اختيار AIC في النموذج. | للحصول على نتائج إيجابية كاذبة ، يتم اختيار BIC في النموذج. |
| البعد | أبعاد AIC لانهائية وعالية نسبيًا. | أبعاد BIC محدودة وهي أقل من أبعاد AIC. |
| مدة العقوبة | شروط الجزاء هنا أصغر. | شروط الجزاء هنا أكبر. |
| احتمالا | لتحديد النموذج الحقيقي في AIC ، يجب أن يكون الاحتمال أقل من 1. | لتحديد النموذج الحقيقي في BIC ، يجب أن يكون الاحتمال بالضبط عند 1. |
| نتائج | هنا ، النتائج غير متوقعة ومعقدة من BIC. | هنا ، النتائج متسقة وأسهل من AIC. |
| الافتراضات | بمساعدة الافتراضات ، يمكن لـ AIC حساب التغطية المثلى. | بمساعدة الافتراضات ، يمكن لـ BIC حساب تغطية أقل مثالية من تغطية AIC. |
| المخاطر | يتم تقليل المخاطر إلى الحد الأدنى باستخدام AIC ، حيث أن n أكبر بكثير من k2. | يتم تعظيم المخاطر باستخدام BIC ، حيث أن n محدودة. |
ما هو AIC؟
تم الإعلان عن النموذج لأول مرة من قبل الإحصائي "Hirotugu Akaike" في عام 1971. وتم نشر أول ورقة رسمية بواسطة Akaike في عام 1974 وتلقت أكثر من 14000 استشهاد.
معايير معلومات Akaike (AIC) هي تقييم مستمر بالإضافة إلى الفاصل الزمني المقابل بين الاحتمال غير المحدد والدقيق والمبرر للحقائق. إنه غرض الاحتمال المتكامل للنموذج. لذا فإن AIC الأقل يعني أن النموذج يُقدر أنه أكثر تشابهًا مع الدقة. للحصول على استنتاجات سلبية كاذبة ، فمن المفيد.
للوصول إلى نموذج حقيقي يتطلب احتمالية أقل من 1. أبعاد AIC لانهائية ومرتفعة نسبيًا في العدد. وبسبب ذلك فإنه يوفر نتائج غير متوقعة ومعقدة. إنه يخدم التغطية المثلى للافتراضات. شروط العقوبة أصغر. يعتقد العديد من الباحثين أنه يستفيد مع الحد الأدنى من المخاطر مع الافتراض. لأن هنا n أكبر من k2.
ما هو BIC؟
معايير المعلومات البايزية (BIC) هي تقييم للغرض من الاحتمالية ، باتباع النموذج دقيقًا ، تحت هيكل بايزي معين. لذا ، يعني رمز BIC المنخفض أنه من المعترف به أن النموذج متوقع بشكل أكبر ليكون النموذج الدقيق.
تم تطوير النظرية ونشرها بواسطة Gideon E. Schwarz في عام 1978. كما أنها تُعرف باسم معيار Schwarz Information Criterion ، أو SIC أو SBIC أو SBC قريبًا. للوصول إلى نموذج حقيقي ، يتطلب الأمر الاحتمال 1 بالضبط. للحصول على نتائج إيجابية كاذبة ، فهو مفيد.
شروط العقوبة جوهرية. أبعادها محدودة وتعطي نتائج متسقة وسهلة. يقول العلماء أن تغطيته المثلى أقل من AIC للافتراضات. هذا يتسلسل حتى في أقصى قدر من المخاطرة. لأن هنا ، n قابلة للتحديد.
يتم حساب BIC بالصيغة التالية:
تم تطوير "معيار الجسر" أو BC بواسطة Jie Ding و Vahid Tarokh و Yuhong Yang. تم نشر المعيار في 20 يونيو 2017 في IEEE Transactions on Information Theory. كان الدافع هو سد الفجوة الأساسية بين وحدات AIC و BIC.
الاختلافات الرئيسية بين AIC و BIC
استنتاج
AIC و BIC كلاهما دقيقان تقريبًا اعتمادًا على أهدافهما المختلفة ومجموعة مميزة من التكهنات المقاربة. تم رفض كلا المجموعتين من الافتراضات باعتبارها غير مجدية. تزداد ديناميكية كل ألفا موزعة في "n". لذلك ، نموذج AIC لديه عادة احتمال تفضيل نموذج مرتفع بالمثل ، على الرغم من n. لدى BIC عدم يقين محدود للغاية بشأن التجميع على نموذج مهم إذا كانت n كافية. على الرغم من أنه يتمتع بإمكانية هائلة من AIC ، لجميع n المعروضة ، لتفضيل نموذج قصير إلى جانب.
يعتبر التعرف على الاختلاف في تحقيقها العملي أكثر شيوعًا إذا تم الاعتراف بالحقيقة المعتدلة لتحليل نموذجين مترابطين. الطريقة الأكثر موثوقية لتطبيقهما هي في نفس الوقت في نطاق النموذج. بالنسبة للأحكام السلبية الكاذبة ، فإن AIC أكثر فائدة. على العكس من ذلك ، يعد BIC أفضل للإيجابية الزائفة. مؤخرًا ، تم تشكيل "معيار الجسر" لسد الكتلة المهمة بين وحدات AIC و BIC. يستخدم السابق للقرارات السلبية وما يليه للإيجابية.
مراجع
كتب هذا المقال: سوبريا كانديكار
