Cálculos AIC y BIC para el método brnn

Question

Recientemente recibí la recomendación de un revisor de mi artículo de calcular el AIC (o BIC) para el modelo brnn . Sin embargo, no hay una forma sencilla de hacerlo. ¿Alguien podría sugerir cómo hacerlo?

alligator = data.frame(
  lnLength = c(3.87, 3.61, 4.33, 3.43, 3.81, 3.83, 3.46, 3.76,
               3.50, 3.58, 4.19, 3.78, 3.71, 3.73, 3.78),
  lnWeight = c(4.87, 3.93, 6.46, 3.33, 4.38, 4.70, 3.50, 4.50,
               3.58, 3.64, 5.90, 4.43, 4.38, 4.42, 4.25))

library(brnn)
model_brnn = brnn(lnWeight ~ lnLength, data = alligator)

Answer 1

No es un paquete con el que esté muy familiarizado, así que describiré mi proceso de pensamiento en general.

Para calcular el AIC, es necesario especificar una función de verosimilitud; las funciones de verosimilitud que utilizan la suma de cuadrados son bastante comunes, y la suma de cuadrados de los residuos se incluye en la salida como out$Ed (según ?brnn ). También incluyen el "número efectivo de parámetros" como out$gamma . Si ha utilizado pesas u otras características, debe tenerlas en cuenta.

En R, si se implementa un logLik método para brnn , AIC lo utilizará automáticamente:

logLik.brnn <- function(object) structure(
  -(object$n / 2) * log(object$Ed),
  nobs = object$n,
  df = object$gamma,
  class = 'logLik'
)

A continuación, puede comparar dos modelos mediante el AIC, etc:

model_brnn2 = brnn(lnWeight ~ lnLength, data = alligator, neurons=2)
model_brnn4 = brnn(lnWeight ~ lnLength, data = alligator, neurons=4)

AIC(model_brnn2)
AIC(model_brnn4)

Esto es probablemente lo suficientemente bueno para una revisión y reenvío al azar, pero probablemente podría utilizar un poco de pensamiento más profundo - usted podría incorporar los coeficientes en la probabilidad, etc.

También asegúrese de configurar la semilla RNG, de lo contrario obtengo resultados ligeramente diferentes en cada ejecución.

Answer 2

Normalmente, los revisores piden el AIC y el BIC sin preocuparse de si son significativos o no. Lo que hago en esas situaciones es proporcionar un análisis significativo como respuesta a la petición del revisor sin elaborar. Por ejemplo,

Revisor 1: Por favor, proporcione el AIC (BIC) para mostrar la comparación de modelos.

Respuesta del autor: Ajustado $R^2$ de los logaritmos de los datos se compararon entre métodos. Las pruebas de significación mostraron que bla, bla, bla...