Criteriul informațional bayesian (BIC) este un criteriu pentru selectarea modelului dintr-un set finit de modele. Acesta se bazează, în parte, pe funcția de verosimilitate și este strâns legat de criteriul informațional Akaike (AIC).
Când se adaptează modele, este posibil să se mărească verosimilitatea prin adăugarea de parametri, dar acest lucru poate duce la o supraadaptare. BIC rezolvă această problemă prin introducerea unui termen de penalizare pentru numărul de parametri din model. Termenul de penalizare este mai mare în BIC decât în AIC.
BIC a fost utilizat pe scară largă pentru identificarea modelelor în seriile temporale și în regresia liniară. Cu toate acestea, poate fi aplicat destul de larg la orice set de modele bazate pe maximum de verosimilitate.
Matematic, BIC poate fi definit ca-
Aplicație &Interpretare:
Modelele pot fi testate folosind valorile BIC corespunzătoare. O valoare BIC mai mică indică termeni de penalizare mai mici, deci un model mai bun.
Citește și statistica AIC.
Deși aceste două măsuri sunt derivate dintr-o perspectivă diferită, ele sunt strâns legate. Aparent, singura diferență este că BIC ia în considerare numărul de observații din formulă, ceea ce AIC nu face.
Deși BIC este întotdeauna mai mare decât AIC, dacă valoarea acestor două măsuri este mai mică, modelul este mai bun.
Practicați setul de date:
Vizitați platforma noastră de știință și analiză a datelor, Analyttica TreasureHunt, pentru a exersa pe seturi de date reale.
De asemenea, citiți următoarele:
Verificarea concordanței.
Kernel Filter.
Kernel Filter.
K-Means Clustering.