Una explicación de la frase AIC para tipos no técnicos

Question

Necesito una explicación de una sola frase del uso de la AIC en la construcción de modelos. Hasta el momento, tengo "En pocas palabras, la AIC es una medida relativa de la cantidad de variación observada representada por diferentes modelos y permite la corrección de la complejidad del modelo".

Cualquier consejo muy apreciado.

R

Answer 1

AIC es un número que es útil para comparar modelos, ya que incluye medidas tanto de lo bien que el modelo se ajusta a los datos y lo complejo que es el modelo.

Answer 2

¿Cuál sería la mejor explicación depende de qué significa exactamente "no técnica de los tipos". Me gusta las declaraciones que se han ofrecido hasta el momento, pero tengo una objeción: Que tienden a usar el término "complejo", y qué es exactamente lo que se entiende puede variar. Permítanme ofrecer esta variación:

La AIC es una medida de que tan bien el modelo se ajusta a un conjunto de datos, mientras que el ajuste para la capacidad de un modelo para adaptarse a cualquier conjunto de datos si es o no relacionados.

Answer 3

He aquí una definición que se localiza AIC en la diversidad de técnicas utilizadas para la selección de modelo. AIC es sólo una de varias formas razonables para capturar el trade-off entre la bondad de ajuste (que se ha mejorado mediante la adición de la complejidad del modelo en la forma de suplemento variables explicativas, o la adición de advertencias como "pero sólo el jueves, cuando llueve") y de parsimonia (más simple==mejor) en comparación no modelos anidados. Aquí está la letra pequeña:

1. Creo que el OP definición sólo se aplica a los modelos lineales. Por cosas como probits, la AIC se define generalmente en términos de log-verosimilitud.
2. Algunos otros criterios se ajustan $R^{2}$ (el que tiene el menor ajuste extra de variables explicativas), de Kullback-Leibler IC, BIC/SC, y aún más exóticos, como Amemiya la predicción de criterio, rara vez visto en la selva de los trabajos aplicados. Estos criterios difieren en cuanto a la abruptamente que penalizan la complejidad del modelo. Algunos han argumentado que la AIC tiende a seleccionar los modelos que se overparameterized, debido a que el modelo de tamaño pena es bastante bajo. El BIC/SC también aumenta la pena como el tamaño de la muestra aumenta, lo que parece una mano-dandy característica.
3. Una buena manera de eludir participar en América del Superior Criterio de Información, es admitir que estos criterios son arbitrarios y considerable aproximaciones están involucrados en la obtención de ellos, especialmente en la no-lineales caso. En la práctica, la elección de un modelo a partir de un conjunto de modelos que probablemente debería depender de la intención de uso de ese modelo. Si el objetivo es explicar las características principales de un problema complejo, parsimonia debe ser vale su peso en oro. Si la predicción es el nombre del juego, la parsimonia debe ser menos queridos. Algunos incluso añadir que la teoría del dominio de conocimiento que también debería desempeñar un papel más importante. En cualquier caso, lo que usted planea hacer con el modelo debe determinar qué criterio que se podrían utilizar.
4. Para anidada de los modelos, el estándar de prueba de hipótesis de la restricción de los parámetros a cero debería ser suficiente.

Answer 4

Qué tal si:

AIC le ayuda a encontrar el modelo que mejor se adapte y que utiliza el menor número de variables.

Si eso es demasiado lejos en la dirección no técnica, hágamelo saber en los comentarios y voy a subir con otro.

Answer 5

La otra cara de la respuesta excelente de @gung:

El AIC es un número que mide cuán bien un modelo se ajusta a un conjunto de datos, en una escala móvil que requiere modelos más elaborados para ser significativamente más preciso con el fin de tasa más alta.

EDITAR:

El AIC es un número que mide cuán bien un modelo se ajusta a un conjunto de datos, en una escala móvil que requiere modelos que son significativamente más elaborados o flexibles para ser también significativamente más preciso.