Ao resolver um estudo de caso, um pesquisador se depara com muitos preditores, possibilidades e interações. Isso torna complicado selecionar um modelo. Com a ajuda de diferentes critérios para seleção de modelo, eles podem resolver esses problemas e estimar a precisão.
O AIC e o BIC são os dois processos de critérios para avaliar um modelo. Eles consistem em determinantes seletivos para a agregação das variáveis consideradas. Em 2002, Burnham e Anderson fizeram um estudo de pesquisa sobre ambos os critérios.
AIC vs BIC
A diferença entre AIC e BIC é a seleção do modelo. Eles são especificados para usos específicos e podem fornecer resultados diferenciados. AIC tem dimensões infinitas e relativamente altas.
O AIC resulta em características complexas, enquanto o BIC tem dimensões mais finitas e atributos consistentes. O primeiro é melhor para resultados negativos e o último é usado para resultados positivos.
Tabela de comparação entre AIC e BIC
| Parâmetros de comparação | AIC | BIC |
| Todas as formas | A forma completa do AIC é o Akaike Information Criteria. | A forma completa do BIC é o Critério de Informação Bayesiano. |
| Definição | Uma avaliação de um intervalo contínuo e correspondente entre a probabilidade indeterminada, precisa e justificada dos fatos é chamada de Akaike Information Criteria ou AIC. | Sob uma estrutura bayesiana particular, uma avaliação precisa do propósito da possibilidade seguindo o modelo é chamada de Critério de Informação Bayesiana ou BIC. |
| Fórmula | Para calcular o critério de informação de Akaike, a fórmula é: AIC = 2k - 2ln (L ^) | Para calcular o critério de informação bayesiano, a fórmula é: BIC = k ln (n) - 2ln (L ^) |
| Seleção de modelo | Para resultados falso-negativos, o AIC é eleito no modelo. | Para resultados falso-positivos, o BIC é eleito no modelo. |
| Dimensão | A dimensão do AIC é infinita e relativamente alta. | A dimensão do BIC é finita e inferior à do AIC. |
| Termo de Penalidade | Os termos de penalidade são menores aqui. | Os termos de penalidade são maiores aqui. |
| Probabilidade | Para selecionar o modelo verdadeiro no AIC, a probabilidade deve ser menor que 1. | Para selecionar o modelo verdadeiro no BIC, a probabilidade deve ser exatamente igual a 1. |
| Resultados | Aqui, os resultados são imprevisíveis e complicados do que o BIC. | Aqui, os resultados são consistentes e mais fáceis do que AIC. |
| Suposições | Com a ajuda de suposições, a AIC pode calcular a cobertura ideal. | Com a ajuda de suposições, o BIC pode calcular uma cobertura menos ótima do que a do AIC. |
| Riscos | O risco é minimizado com AIC, pois n é muito maior do que k2. | O risco é maximizado com o BIC, pois n é finito. |
O que é AIC?
O modelo foi anunciado pela primeira vez pelo estatístico ‘Hirotugu Akaike’ no ano de 1971. E o primeiro artigo formal foi publicado pela Akaike em 1974 e recebeu mais de 14.000 citações.
O Akaike Information Criteria (AIC) é uma avaliação contínua além do intervalo correspondente entre a probabilidade indeterminada, precisa e justificada dos fatos. É o propósito de probabilidade integrado do modelo. Assim, um AIC mais baixo significa que um modelo é estimado para ser mais semelhante quanto à precisão. Para conclusões falso-negativas, é útil.
Para chegar a um modelo verdadeiro, é necessária uma probabilidade menor que 1. A dimensão do AIC é infinita e relativamente alta em número. Por isso, ele fornece resultados imprevisíveis e complicados. Ele oferece a cobertura ideal de suposições. Seus termos de penalidade são menores. Muitos pesquisadores acreditam que ele se beneficia com o mínimo de riscos ao mesmo tempo que presume. Porque aqui, n é maior que k2.
O cálculo do AIC é feito com a seguinte fórmula:
O que é BIC?
O Bayesian Information Criteria (BIC) é uma avaliação da finalidade da possibilidade, seguindo o modelo é preciso, sob uma estrutura bayesiana particular. Portanto, um BIC mais baixo significa que um modelo é considerado o modelo preciso.
A teoria foi desenvolvida e publicada por Gideon E. Schwarz no ano de 1978. Além disso, é conhecida como Schwarz Information Criterion, abreviadamente SIC, SBIC ou SBC. Para chegar a um modelo verdadeiro, é necessária probabilidade exatamente 1. Para resultados falso-positivos, é útil.
Os termos da pena são substanciais. Sua dimensão é finita o que dá resultados consistentes e fáceis. Os cientistas dizem que sua cobertura ideal é menor do que AIC para suposições. Isso até leva à tomada de risco máximo. Porque aqui, n é definível.
O cálculo do BIC é feito com a seguinte fórmula:
O ‘Critério da Ponte’ ou BC, foi desenvolvido por Jie Ding, Vahid Tarokh e Yuhong Yang. A publicação do critério foi no dia 20 de junho de 2017 no IEEE Transactions on Information Theory. Seu motivo era preencher a lacuna fundamental entre os módulos AIC e BIC.
Principais diferenças entre AIC e BIC
Conclusão
O AIC e o BIC são quase precisos, dependendo de seus vários objetivos e de uma coleção distinta de especulações assintóticas. Ambos os grupos de presunções foram reprovados como inviáveis. O dinamismo para cada alfa distribuído está aumentando em 'n'. Portanto, o modelo AIC normalmente tem a perspectiva de preferir um modelo igualmente alto, apesar de n. O BIC tem incerteza muito limitada de coleta sobre um modelo significativo se n for adequado. Embora, tenha uma grande possibilidade que AIC, para todos os n apresentados, de preferir além de um modelo curto.
Reconhecer a variação dentro de sua realização operativa é mais comum se o leve fato de analisar dois modelos correlacionados for reconhecido. O método mais confiável para aplicá-los é simultaneamente no intervalo do modelo. Para veredictos falso-negativos, a AIC é mais benéfica. Por outro lado, o BIC é melhor para falso-positivo. Recentemente, o ‘Critério de Ponte’ foi formado, para fazer a ponte entre o bloco significativo entre os módulos AIC e BIC. O anterior é usado para decisões negativas e o seguinte para as positivas.
Referências
Este artigo foi escrito por: Supriya Kandekar
