Bayesian information criterion (BIC) é um critério de seleção de modelo entre um conjunto finito de modelos. Ele é baseado, em parte, na função de verosimilhança, e está intimamente relacionado ao critério de informação Akaike (AIC).
Quando se ajustam modelos, é possível aumentar a verosimilhança adicionando parâmetros, mas fazendo isso pode resultar em sobreajustes. O BIC resolve este problema introduzindo um termo de penalização para o número de parâmetros no modelo. O termo de penalidade é maior no BIC do que no AIC.
BIC tem sido amplamente utilizado para identificação do modelo em séries temporais e regressão linear. Ele pode, no entanto, ser amplamente aplicado a qualquer conjunto de modelos baseados em máxima verosimilhança.
Matematicamente o BIC pode ser definido as-
Aplicação & Interpretação:
>
Os modelos podem ser testados usando os valores BIC correspondentes. Um valor BIC mais baixo indica termos de penalização mais baixos, portanto um modelo melhor.
Ler também estatísticas AIC.
Pois estas duas medidas são derivadas de uma perspectiva diferente, elas estão intimamente relacionadas. Aparentemente, a única diferença é que BIC considera o número de observações na fórmula, que AIC não considera.
Pois BIC é sempre maior que AIC, menor o valor dessas duas medidas, melhor o modelo.
Practice Dataset:
Visitar nossa plataforma de ciência e análise de dados, Analyttica TreasureHunt para praticar em conjuntos de dados reais.
Também, leia o seguinte:
Concordance Check.
Kernel Filter.
k-Means Clustering.