O ponto principal da AIC ou de qualquer outro critério de informação é que menos é melhor. Portanto, se eu tiver dois modelos M1: y = a0 + XA + e e M2: y = b0 + ZB + u, e se o AIC do primeiro (A1) for menor que o do segundo (A2), então M1 terá um melhor ajuste do ponto de vista da teoria da informação. Mas existe algum ponto de referência para a diferença A1-A2? Quanto menos é realmente menos? Em outras palavras, existe um teste para (A1-A2) além de apenas observar os olhos?
Edit: Peter / Dmitrij ... Obrigado por responder. Na verdade, esse é um caso em que meus conhecimentos substantivos estão em conflito com meus conhecimentos estatísticos. Essencialmente, o problema NÃO é escolher entre dois modelos, mas verificar se duas variáveis que eu sei serem em grande parte equivalentes adicionam quantidades equivalentes de informações (na verdade, uma variável no primeiro modelo e um vetor no segundo. Pense no caso de um monte de variáveis em comparação com um índice delas.). Como Dmitrij apontou, a melhor aposta parece ser o teste de Cox. Mas existe uma maneira de realmente testar a diferença entre o conteúdo das informações dos dois modelos?
fonte
Respostas:
É a questão da curiosidade, ou seja, você não está satisfeito com a minha resposta aqui ? Se não...
A investigação adicional dessa questão complicada mostrou que existe uma regra , que afirma que dois modelos são indistinguíveis pelo critério da se a diferença . O mesmo que você realmente lerá no artigo da wikipedia sobre (observe que o link é clicável!). Apenas para quem não clica nos links:AIC |AIC1−AIC2|<2 AIC
Nice explanation and useful suggestions, in my opinion. Just don't be afraid of reading what is clickable!
In addition, note once more,AIC is less preferable for large-scale data sets. In addition to BIC you may find useful to apply bias-corrected version of AIC criterion AICc (you may use this AICc=AIC+2p(p+1)n−p−1 , where p is the number of estimated parameters). Rule-of-thumb will be the same though.
R
code or use the formulafonte
Burnham, K. P., and Anderson, D.R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach, 2nd ed. Springer-Verlag. ISBN 0-387-95364-7.
and the pre-revision Wiki page is hereEu acho que isso pode ser uma tentativa de conseguir o que você realmente não quer.
A seleção de modelos não é uma ciência. Exceto em raras circunstâncias, não existe um modelo perfeito, nem mesmo um modelo "verdadeiro"; raramente existe apenas um "melhor" modelo. Discussões sobre AIC vs. AICc vs BIC vs. SBC vs. o que quer que me deixe um pouco confuso. Eu acho que a idéia é conseguir alguns bons modelos. Você escolhe entre eles com base em uma combinação de conhecimento substantivo e idéias estatísticas. Se você não possui conhecimentos substanciais (raramente o caso; muito mais raramente do que a maioria das pessoas supõe), escolha o AIC mais baixo (ou AICc ou o que for). Mas você geralmente possui alguma experiência - caso contrário, por que você está investigando essas variáveis específicas?
fonte