Skillnad mellan AIC och BIC

AIC vs BIC

AIC och BIC används ofta i modellvalskriterier. AIC betyder Akaikes informationskriterier och BIC betyder Bayesian Information Criteria. Även om dessa två villkor gäller modellval, är de inte samma. Man kan komma överens kanske skillnaden mellan de två metoderna för modellval.

Akaikes informationskriterier bildades 1973 och Bayesian Information Criteria 1978. Hirotsugu Akaike utvecklade Akaikes informationskriterier medan Gideon E. Schwarz utvecklade Bayesian informationskriterium.

AIC kan betecknas som en mesaur av godhet med passform av någon beräknad statistisk modell. BIC är en typ av modellval bland en klass av parametriska modeller med olika antal parametrar.

När man jämför de bayesiska informationskriterierna och Akaikes informationskriterier är straff för ytterligare parametrar mer i BIC än AIC. Till skillnad från AIC, straffar BIC mer fria parametrar.

Akaikes informationskriterier försöker generellt hitta en okänd modell som har en högdimensionell verklighet. Det innebär att modellerna inte är sanna modeller i AIC. Å andra sidan kommer de bayesiska informationskriterierna endast över True Models. Det kan också sägas att Bayesian Information Criteria är konsekvent medan Akaikes informationskriterier inte är så.

När Akaikes informationskriterier kommer att presentera den fara som den skulle klä ut. Bayesian Information Criteria kommer att presentera den fara som den skulle utgöra. Även om BIC är mer tolerant jämfört med AIC, visar den mindre tolerans vid högre antal.

Akaikes informationskriterier är bra för att göra asymptotiskt likvärdig med kryssvalidering. Tvärtom är de bayesiska informationskriterierna bra för konsekvent uppskattning.

Sammanfattning

1. AIC betyder Akaikes informationskriterier och BIC betyder Bayesian Information Criteria.

2. Akaikes informationskriterier bildades 1973 och Bayesian Information Criteria 1978.

3. Vid jämförelse av Bayesian Information Criteria och Akaike Informationskriterier är straff för ytterligare parametrar mer i BIC än AIC.

4. Akaikes informationskriterier försöker generellt hitta en okänd modell som har en högdimensionell verklighet. Å andra sidan kommer de bayesiska informationskriterierna endast över True Models.

5. Bayesiska informationskriterier är konsekventa medan Akaikes informationskriterier inte är så.

6. Akaikes informationskriterier är bra för att göra asymptotiskt likvärdig med kryssvalidering. Tvärtom är de bayesiska informationskriterierna bra för konsekvent uppskattning.

7. Även om BIC är mer tolerant jämfört med AIC, visar den mindre tolerans vid högre antal.

8. Till skillnad från AIC, straffar BIC starkare fria parametrar.

//