საინტერესოა

შესავალი Akaike- ს ინფორმაციის კრიტერიუმში (AIC)

შესავალი Akaike- ს ინფორმაციის კრიტერიუმში (AIC)


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Akaike ინფორმაციის კრიტერიუმი (ჩვეულებრივ მოხსენიებულია, როგორც უბრალოდ AIC) წარმოადგენს ბუდეს სტატისტიკურ ან ეკონომეტრიულ მოდელებს შორის შერჩევის კრიტერიუმი. AIC, არსებითად, არის თითოეული სავარაუდო ეკონომეტრიული მოდელის ხარისხის შეფასებული ზომა, რადგან ისინი ერთმანეთთან დაკავშირებულია გარკვეული მონაცემების მონაცემებისთვის, რაც მას იდეალურ მეთოდად აქცევს მოდელის შერჩევაში.

AIC– ს გამოყენებით სტატისტიკური და ეკონომეტრიული მოდელის შერჩევა

Akaike– ის ინფორმაციის კრიტერიუმი (AIC) შეიმუშავა ინფორმაციის თეორიაში. ინფორმაციის თეორია არის გამოყენებითი მათემატიკის ის ფილიალი, რომელიც ეხმიანება ინფორმაციის რაოდენობრივ რაოდენობას (დათვლისა და გაზომვის პროცესს). AIC– ს გამოყენებით, შეეცადოს გაზომოს ეკონომეტრიული მოდელების შედარებითი ხარისხი მოცემულ მონაცემთა ნაკრებზე, AIC აძლევს მკვლევარს შეფასებულ ინფორმაციას, რომელიც დაიკარგება, თუ კონკრეტული მოდელი გამოიყენებოდა, იმ პროცესის ჩვენების მიზნით, რომელიც წარმოშობს მონაცემებს. როგორც ასეთი, AIC მუშაობს იმისათვის, რომ დაბალანსდეს ურთიერთდამოკიდებულებები მოცემული მოდელის სირთულესა და მის შორის კეთილგანწყობა, რომელიც წარმოადგენს სტატისტიკურ ტერმინს იმის აღწერაში, თუ რამდენად კარგად შეესაბამება მოდელს მონაცემები ან დაკვირვებების მთელი რიგი.

რა არ გააკეთებს AIC

იმის გამო, რაც Akaike– ს ინფორმაციის კრიტერიუმს (AIC) შეუძლია გააკეთოს სტატისტიკური და ეკონომეტრიული მოდელების ერთობლიობით და მონაცემთა მოცემული მონაცემებით, ეს არის სასარგებლო ინსტრუმენტი მოდელების შერჩევაში. მაგრამ, როგორც მოდელის შერჩევის ინსტრუმენტი, AIC– ს აქვს თავისი შეზღუდვები. მაგალითად, AIC– ს შეუძლია მხოლოდ მოდელის ხარისხის შედარებითი ტესტირება. ანუ, AIC არ იძლევა და ვერ უზრუნველყოფს მოდელის გამოცდას, რომლის შედეგადაც მოცემულია მოდელის ხარისხის შესახებ ინფორმაცია აბსოლუტური გაგებით. ასე რომ, თუ ტესტირების სტატისტიკური თითოეული მოდელი თანაბრად არადამაკმაყოფილებელია ან არასათანადოდ გამოიყურება მონაცემთათვის, AIC თავიდანვე არ მიანიშნებს რაიმე მითითებაზე.

AIC ეკონომეტრიული თვალსაზრისით

AIC არის ნომერი, რომელიც დაკავშირებულია თითოეულ მოდელთან:

AIC = ln (s)2) + 2 მ / ტ

სად არის მოდელის პარამეტრების რაოდენობა, და 2 (AR (m) მაგალითში) არის ნარჩენი სავარაუდო ვარიანტი: s2 = (კვადრატული ნარჩენების ჯამი მოდელის მ) / ტ. ეს არის მოდელის საშუალო კვადრატული ნარჩენი .

კრიტერიუმი შეიძლება შემცირდეს არჩევანის შესახებ ჩამოაყალიბოს ვაჭრობა მოდელის შესაფერისობას შორის (რომელიც ამცირებს კვადრატული ნარჩენების ჯამს) და მოდელის სირთულეს შორის, რომელიც იზომება . ამრიგად, AR (m) მოდელი AR– ს წინააღმდეგ (m + 1) შეიძლება შევადაროთ ამ კრიტერიუმს მონაცემთა მოცემული ჯგუფისთვის.

ექვივალენტური ფორმულირებაა ეს ერთი: AIC = T ln (RSS) + 2K, სადაც K არის რეგრესორების რაოდენობა, T დაკვირვების რაოდენობა და RSS– ით მოედნების ნარჩენი თანხა; K მინიმუმამდე შემცირება, რომ აირჩიოს K

როგორც ასეთი, ითვალისწინებს ეკონომეტრიის მოდელის ერთობლიობას, სასურველი მოდელის შედარება ხარისხის თვალსაზრისით იქნება AIC მინიმალური ღირებულების მქონე მოდელი.


Video, Sitemap-Video, Sitemap-Videos