El criterio de información bayesiano (BIC) es un criterio para la selección de modelos entre un conjunto finito de modelos. Se basa, en parte, en la función de verosimilitud, y está estrechamente relacionado con el criterio de información de Akaike (AIC).
Cuando se ajustan los modelos, es posible aumentar la verosimilitud añadiendo parámetros, pero al hacerlo se puede producir un exceso de ajuste. El BIC resuelve este problema introduciendo un término de penalización por el número de parámetros en el modelo. El término de penalización es mayor en el BIC que en el AIC.
El BIC se ha utilizado ampliamente para la identificación de modelos en series temporales y regresión lineal. Sin embargo, puede aplicarse ampliamente a cualquier conjunto de modelos basados en la máxima verosimilitud.
Matemáticamente el BIC puede definirse como-
Interpretación:
Los modelos se pueden probar utilizando los valores BIC correspondientes. Un valor BIC más bajo indica términos de penalización más bajos y, por tanto, un modelo mejor.
Lea también las estadísticas AIC.
Aunque estas dos medidas se derivan desde una perspectiva diferente, están estrechamente relacionadas. Aparentemente, la única diferencia es que el BIC considera el número de observaciones en la fórmula, cosa que el AIC no hace.
Aunque el BIC es siempre mayor que el AIC, cuanto menor sea el valor de estas dos medidas, mejor será el modelo.
Conjunto de datos de práctica:
Visite nuestra plataforma de ciencia de datos y análisis, Analyttica TreasureHunt para practicar en conjuntos de datos reales.
También, lea lo siguiente:
Comprobación de concordancia.
Filtro de núcleo.
Clasificación de k-Means.