Testando a diferença na AIC de dois modelos não aninhados

12

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?

user3671
fonte
Você também pode estar interessado em conferir Wagonmakers et al. (2004). Avaliando a imitação de modelo usando a inicialização paramétrica. Jornal de Psicologia Matemática, 48 , 28-50. ( pdf ).
gung - Restabelece Monica

Respostas:

13

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|AIC1AIC2|<2AIC

AIC estima o apoio relativo a um modelo. Para aplicar isso na prática, começamos com um conjunto de modelos candidatos e, em seguida, localizamos os valores correspondentes dos modelos . Em seguida, identifique o valor mínimo da . A seleção de um modelo pode ser feita da seguinte maneira.AICAIC

Como regra geral, os modelos com suasAIC dentro de12 of the minimum have substantial support and should receive consideration in making inferences. Models having their AIC within about 47 of the minimum have considerably less support, while models with their AIC>10 above the minimum have either essentially no support and might be omitted from further consideration or at least fail to explain some substantial structural variation in the data.

A more general approach is as follows...

Denote the AIC values of the candidate models by AIC1, AIC2,AIC3,,AICR. Let AICmin denotes the minimum of those values. Then e(AICminAICi)/2 can be interpreted as the relative probability that the i-th model minimizes the (expected estimated) information loss.

As an example, suppose that there were three models in the candidate set, with AIC values 100, 102, and 110. Then the second model is e(100102)/2=0.368 times as probable as the first model to minimize the information loss, and the third model is e(100110)/2=0.007 times as probable as the first model to minimize the information loss. In this case, we might omit the third model from further consideration and take a weighted average of the first two models, with weights 1 and 0.368, respectively. Statistical inference would then be based on the weighted multimodel.

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 R code or use the formula AICc=AIC+2p(p+1)np1, where p is the number of estimated parameters). Rule-of-thumb will be the same though.

Dmitrij Celov
fonte
Hi Dmitrij... I knew you'd spot this. Actually, your response to the original question set this train rolling. I thought this would make an interesting stand-alone question. The problem I'm grappling with is that statistical tests (including Cox's Test) are frequentist and so you can test the differences between two models at some predefined level of significance. But AIC/BIC are likelihood based, and it seems to me that the numbers cannot be directly compared except, as you point out, by rule of thumb. Since IC measures are scale-dependent, an absolute value (2) can be problematic, no?
user3671
@user, The absolute value of 2 is not problematic. You may go for relative probability suggestion, so you will be probably more confident with this than some nice value of 2. By scale effect you mean when the criterion is less biased in small samples and consistent in large? Try consistent BIC instead and AICc for small samples will be also a good alternative. Rule of thumbs are still usable.
Dmitrij Celov
1
@DmitrijCelov (+1 some time ago) nice answer -- thanks for pasting the text, as Wikipedia no longer has the points covered in the first two paragraphs. The removed paragraph was cited as p. 446: 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 here
James Stanley
I should note that I haven't read the Burnham book, and that the old Wiki reference suggested the text as quoted was a paraphrase. FYI, the Wiki page was edited at 16:52, 15 April 2011.
James Stanley
Could you perhaps help with this follow-up question? stats.stackexchange.com/questions/349883/…
Tripartio
8

Eu 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?

Peter Flom - Reinstate Monica
fonte
2
+1 for emphasizing the need for both statistical and substantive expertise.
chl