Wprowadzenie do kryterium informacyjnego Akaike (AIC)

Studio Yagi / Getty Images

The Kryterium informacyjne Akaike (powszechnie określany po prostu jako AIC ) jestkryteriumdo wyboru spośród zagnieżdżonych modeli statystycznych lub ekonometrycznych. AIC jest zasadniczo szacunkową miarą jakości każdego z dostępnych modeli ekonometrycznych, ponieważ są one ze sobą powiązane dla pewnego zestawu danych, co czyni go idealną metodą wyboru modelu.

Korzystanie z AIC do wyboru modeli statystycznych i ekonometrycznych

Kryterium informacyjne Akaike (AIC) zostało opracowane w oparciu o teorię informacji. Teoria informacji jest gałęzią matematyki stosowanej dotyczącą kwantyfikacji (procesu liczenia i mierzenia) informacji. Wykorzystując AIC do próby zmierzenia względnej jakości modeli ekonometrycznych dla danego zbioru danych, AIC zapewnia naukowcom oszacowanie informacji, które zostałyby utracone, gdyby konkretny model został wykorzystany do wyświetlenia procesu, który wytworzył dane. W związku z tym AIC pracuje nad zrównoważeniem kompromisów między złożonością danego modelu a jego Dobroć dopasowania , który jest terminem statystycznym opisującym, jak dobrze model „dopasowuje się” do danych lub zestawu obserwacji.

Czego AIC nie zrobi?

Ze względu na to, co Kryterium Informacyjne Akaike (AIC) może zrobić z zestawem modeli statystycznych i ekonometrycznych oraz danym zestawem danych, jest użytecznym narzędziem przy wyborze modelu. Ale nawet jako narzędzie wyboru modelu AIC ma swoje ograniczenia. Na przykład AIC może zapewnić jedynie względny test jakości modelu. To znaczy, że AIC nie zapewnia i nie może zapewnić testu modelu, który daje informacje o jakości modelu w sensie bezwzględnym. Jeśli więc każdy z testowanych modeli statystycznych jest równie niezadowalający lub nieodpowiedni dla danych, AIC nie dostarczy żadnych wskazówek od samego początku.

AIC w terminach ekonometrycznych

AIC to numer powiązany z każdym modelem:

AIC=ln (s_m^dwa) + 2m/T

Gdzie m to liczba parametrów w modelu, a s_m^dwa (w przykładzie AR(m)) to szacowana wariancja rezydualna: s_m^dwa= (suma kwadratów pozostałości dla modelu m)/T. To jest średnia kwadratowa reszta dla modelu m .

Kryterium można zminimalizować poprzez wybór m stworzyć kompromis między dopasowaniem modelu (co obniża sumę kwadratów pozostałości ) oraz złożoność modelu, mierzoną przez m . Zatem model AR(m) w porównaniu z AR(m+1) może być porównany przez to kryterium dla danej partii danych.

Równoważne sformułowanie to: AIC=T ln(RSS) + 2K gdzie K jest liczbą regresorów, T liczbą obserwacji, a RSS resztową sumą kwadratów; zminimalizuj nad K, aby wybrać K.

W związku z tym dostarczył zestaw ekonometria modeli, preferowanym modelem pod względem jakości względnej będzie model o minimalnej wartości AIC.