Quando é apropriado selecionar modelos minimizando o AIC?

12

Está bem estabelecido, pelo menos entre os estatísticos de maior calibre, que os modelos com os valores da estatística da AIC dentro de um certo limite do valor mínimo devem ser considerados tão apropriados quanto o modelo que minimiza a estatística da AIC. Por exemplo, em [1, p.221], encontramos

Os modelos com GCV ou AIC pequeno seriam considerados os melhores. Obviamente, não se deve apenas minimizar cegamente o GCV ou o AIC. Em vez disso, todos os modelos com valores GCV ou AIC razoavelmente pequenos devem ser considerados potencialmente adequados e avaliados de acordo com sua simplicidade e relevância científica.

Da mesma forma, em [2, p.144], temos

Foi sugerido (Duong, 1984) que modelos com valores de AIC dentro de c do valor mínimo sejam considerados competitivos (com c = 2 como um valor típico). A seleção entre os modelos competitivos pode então se basear em fatores como brancura dos resíduos (Seção 5.3) e simplicidade do modelo.

Referências:

  1. Ruppert, D .; Wand, MP & Carrol, RJ Regressão semiparamétrica , Cambridge University Press, 2003
  2. Brockwell, PJ & Davis, RA Introdução a séries temporais e previsão , John Wiley & Sons, 1996

Dado o exposto, qual dos dois modelos abaixo deve ser o preferido?

print( lh300 <- arima(lh, order=c(3,0,0)) )
# ... sigma^2 estimated as 0.1787:  log likelihood = -27.09,  aic = 64.18
print( lh100 <- arima(lh, order=c(1,0,0)) )
# ... sigma^2 estimated as 0.1975:  log likelihood = -29.38,  aic = 64.76

De maneira mais geral, quando é apropriado selecionar modelos minimizando cegamente a AIC ou a estatística relacionada?

Hibernando
fonte
Você não forneceu o AIC para nenhum dos modelos.
Peter Flom - Restabelece Monica
Eu mostrei como obtê-lo com R.
Hibernating
1
Problemas de +1 nos modelos ARIMA mencionados abaixo. Mas, caso contrário: "Simplificando um modelo prognóstico: um estudo de simulação baseado em dados clínicos". Ambler 2002 é a referência mais citada sobre isso.
charles

Respostas:

4

Parafraseando as notas da aula de Cosma Shalizi sobre a verdade sobre a regressão linear , você nunca deve escolher um modelo apenas porque aconteceu para minimizar uma estatística como a AIC , por

Every time someone solely uses an AIC statistic for model selection, an angel loses its
wings. Every time someone thoughtlessly minimises it, an angel not only loses its wings,
but is cast out of Heaven and falls in most extreme agony into the everlasting fire.
skulker
fonte
1
Como um judeu famoso disse: "A imaginação é melhor que o conhecimento" :)
Hibernando
E, como um famoso não judeu disse: "Você pode ver muito olhando" (Yogi Berra).
Peter Flom - Restabelece Monica
E o que vemos, é claro, depende principalmente do que procuramos. --John Lubbock
Hibernando
12

Eu diria que geralmente é apropriado usar o AIC na seleção de modelos, mas raramente é correto usá-lo como a única base para a seleção de modelos. Também devemos usar conhecimento substantivo.

No seu caso particular, você está comparando um modelo com um AR de 3ª ordem versus um com um AR de 1ª ordem. Além do AIC (ou algo semelhante), eu examinaria os gráficos de autocorrelação e parcial de autocorrelação. Gostaria também de considerar que um terceiro modelo de ordem seria dizer . Isso faz sentido? Isso contribui para o conhecimento substantivo? (Ou, se você estiver interessado apenas em previsão, isso ajuda a prever?)

Geralmente, às vezes acontece que encontrar um tamanho de efeito muito pequeno é interessante.

Peter Flom - Restabelece Monica
fonte
Você acabou de dizer que qualquer bom algoritmo para selecionar um modelo de arima não deve se basear apenas no critério da AIC (ou algo semelhante)?
Hibernando
Sim, eu disse isso.
Peter Flom - Restabelece Monica
E, neste final, ouvi-o como adeus auto.arima. Minha preferência seria seguir uma abordagem descrita no capítulo 6 de Bisgaard, S. & Kulahci, M. Análise e previsão de séries temporais por exemplo John Wiley & Sons, Inc., 2011, ainda mais precisamente na seção 6.5 FUNÇÃO DE RESPOSTA AO IMPULSO AO ESTUDO AS DIFERENÇAS NOS MODELOS
Hibernando
1
@Hibernating: Os autores auto.arima, Hyndman & Khandakar (2008) , diz: - ". Previsões automáticas de grande número de séries temporais univariadas são muitas vezes necessários nos negócios É comum ter mais de mil linhas de produtos que necessidade de previsão, pelo menos mensalmente. Mesmo quando um número menor de previsões é necessário, talvez não haja ninguém treinado adequadamente no uso de modelos de séries temporais para produzi-los. Nestas circunstâncias, um algoritmo automático de previsão é uma ferramenta essencial ". Observe essas circunstâncias .
Scortchi - Restabelece Monica
2
Obrigado, mas eu já tinha lido isso antes. Mesmo se ignorarmos os problemas óbvios com a parte "auto" por enquanto, há problemas com a parte "arima", especialmente quando ela é estendida para incluir modelos sazonais. Os modelos sazonais do ARIMA foram fortemente criticados por PJ Harrison, C Chatfield e algumas outras personalidades com quem eu gostei de aprender. Não tenho nada contra a previsão automática quando é i) absolutamente necessário e ii) com base em algoritmos que consigo encontrar som - caso contrário, sigo o conselho de DR Cox em seu comentário no artigo "duas culturas" de Leo Breiman na Stat Science há alguns anos.
Hibernando
8

Você pode pensar em AIC como fornecendo um (ou seja, maior) mais razoável cutoff -valor. Mas a seleção de modelos com base nos valores ou em qualquer outra métrica de uma variável de cada vez é enfrentada com dificuldades, tendo todos os problemas da seleção de variáveis ​​por etapas. De um modo geral, o AIC funciona melhor se usado para selecionar um único parâmetro único (por exemplo, coeficiente de contração) ou para comparar 2 ou 3 modelos candidatos. Caso contrário, o ajuste de todo o conjunto de variáveis ​​de alguma forma, usando encolhimento ou redução de dados, geralmente resultará em discriminação preditiva superior. A parcimônia está em desacordo com a discriminação preditiva.PPP

Frank Harrell
fonte
2
Sua última frase é interessante. Lembro que li que adicionar preditores insignificantes à regressão pode ser justificado se o objetivo final for a previsão. Eu não prestei muita atenção no momento, mas agora vou tentar encontrar essa referência.
Hibernando
3
Em vez de adicionar, eu diria evitar a remoção . E não se trata apenas de previsão, mas o uso de avaliações de associação estatística para orientar a seleção de variáveis ​​causa preconceitos e erros padrão inválidos e limites de confiança.
precisa