En résolvant une étude de cas, un chercheur rencontre de nombreux prédicteurs, possibilités et interactions. Cela rend complexe la sélection d'un modèle. À l'aide de différents critères de sélection de modèles, ils peuvent résoudre ces problèmes et estimer la précision.
L'AIC et le BIC sont les deux processus de critères d'évaluation d'un modèle. Ils consistent en des déterminants sélectifs pour l'agrégation des variables considérées. En 2002, Burnham et Anderson ont mené une étude sur les deux critères.
AIC vs BIC
La différence entre AIC et BIC réside dans leur sélection du modèle. Ils sont spécifiés pour des usages particuliers et peuvent donner des résultats distinctifs. L'AIC a des dimensions infinies et relativement élevées.
L'AIC donne des traits complexes, tandis que le BIC a des dimensions plus finies et des attributs cohérents. Le premier est meilleur pour les résultats négatifs, et le dernier utilisé pour les résultats positifs.
Tableau de comparaison entre AIC et BIC
| Paramètres de comparaison | AIC | BIC |
| Formulaires complets | La forme complète de l'AIC est le critère d'information d'Akaike. | La forme complète du BIC est le critère d'information bayésien. |
| Définition | Une évaluation d'un intervalle continu et correspondant parmi la probabilité indéterminée, précise et justifiée des faits est appelée Akaike Information Criteria ou AIC. | Dans une structure bayésienne particulière, une évaluation précise de l'objectif de la possibilité suivant le modèle est appelée critères d'information bayésiens ou BIC. |
| Formule | Pour calculer le critère d'information d'Akaike, la formule est: AIC = 2k – 2ln(L^) | Pour calculer le critère d'information bayésien, la formule est: BIC = k ln(n) – 2ln(L^) |
| Sélection du modèle | Pour les résultats faussement négatifs, l'AIC est choisi dans le modèle. | Pour les résultats faussement positifs, le BIC est choisi dans le modèle. |
| Dimension | La dimension de l'AIC est infinie et relativement élevée. | La dimension de BIC est finie et est inférieure à celle de AIC. |
| Terme de pénalité | Les peines sont plus petites ici. | Les peines sont plus lourdes ici. |
| Probabilité | Pour sélectionner le vrai modèle dans AIC, la probabilité doit être inférieure à 1. | Pour sélectionner le vrai modèle dans BIC, la probabilité doit être exactement à 1. |
| Résultats | Ici, les résultats sont imprévisibles et compliqués que BIC. | Ici, les résultats sont cohérents et plus faciles qu'AIC. |
| Hypothèses | A l'aide d'hypothèses, AIC peut calculer la couverture la plus optimale. | A l'aide d'hypothèses, BIC peut calculer une couverture moins optimale que celle d'AIC. |
| Des risques | Le risque est minimisé avec l'AIC, car n est beaucoup plus grand que k2. | Le risque est maximisé avec BIC, car n est fini. |
Qu'est-ce que l'AIC ?
Le modèle a été annoncé pour la première fois par le statisticien Hirotugu Akaike en 1971. Et le premier article officiel a été publié par Akaike en 1974 et a reçu plus de 14 000 citations.
Les critères d'information d'Akaike (AIC) sont une évaluation d'un intervalle continu en plus de l'intervalle correspondant parmi la probabilité indéterminée, précise et justifiée des faits. C'est l'objectif de probabilité intégrée du modèle. Ainsi, un AIC inférieur signifie qu'un modèle est estimé être plus proche de la précision. Pour les conclusions faussement négatives, c'est utile.
Pour atteindre un vrai modèle, il faut une probabilité inférieure à 1. La dimension de l'AIC est infinie et relativement élevée en nombre. Pour cette raison, il fournit des résultats imprévisibles et compliqués. Il sert la couverture la plus optimale des hypothèses. Ses termes de pénalité sont plus petits. De nombreux chercheurs pensent qu'il bénéficie avec le minimum de risques tout en présumant. Car ici, n est plus grand que k2.
Le calcul de l'AIC se fait avec la formule suivante:
Qu'est-ce que le BIC ?
Les critères d'information bayésiens (BIC) sont une évaluation du but de la possibilité, en suivant le modèle est précis, sous une structure bayésienne particulière. Ainsi, un BIC inférieur signifie qu'un modèle est reconnu comme étant davantage le modèle précis.
La théorie a été développée et publiée par Gideon E. Schwarz en 1978. En outre, elle est connue sous le nom de Schwarz Information Criterion, en bref SIC, SBIC ou SBC. Pour atteindre un vrai modèle, il faut une probabilité d'exactement 1. Pour les résultats faussement positifs, c'est utile.
Les peines sont lourdes. Sa dimension est finie ce qui donne des résultats cohérents et faciles. Les scientifiques disent que sa couverture optimale est inférieure à l'AIC pour les hypothèses. Cela se traduit même par une prise de risque maximale. Car ici, n est définissable.
Le calcul du BIC se fait avec la formule suivante:
Le « Bridge Criterion » ou BC, a été développé par Jie Ding, Vahid Tarokh et Yuhong Yang. La publication du critère a eu lieu le 20 juin 2017 dans IEEE Transactions on Information Theory. Son objectif était de combler le fossé fondamental entre les modules AIC et BIC.
Principales différences entre AIC et BIC
Conclusion
AIC et BIC sont tous deux presque précis en fonction de leurs divers objectifs et d'une collection distincte de spéculations asymptotiques. Les deux groupes de présomptions ont été désapprouvés comme irréalisables. Le dynamisme pour chaque alpha distribué augmente en « n ». Par conséquent, le modèle AIC a généralement la possibilité de préférer un modèle également élevé, malgré n. BIC a une incertitude trop limitée de collecte sur un modèle significatif si n est adéquat. Quoique, il a une énorme possibilité que l'AIC, pour tous les n présentés, de préférer d'ailleurs un modèle court.
Reconnaître la variation au sein de leur réalisation opératoire est plus courant si le fait léger d'analyser deux modèles corrélés est reconnu. La méthode la plus fiable pour les appliquer simultanément est dans la gamme de modèles. Pour les verdicts faussement négatifs, l'AIC est plus avantageux. À l'inverse, le BIC est meilleur pour les faux positifs. Dernièrement, le « Bridge Criterion » a été formé, pour combler le bloc important entre les modules AIC et BIC. Le précédent est utilisé pour les décisions négatives et le suivant pour le positif.
Les références
Cet article a été écrit par: Supriya Kandekar
