Информационный критерий Акайке (обычно упоминается просто как AIC) это критерий для выбора среди вложенных статистических или эконометрических моделей. AIC, по сути, является оценочным показателем качества каждой из доступных эконометрических моделей. поскольку они связаны друг с другом для определенного набора данных, что делает его идеальным методом для выбора модели.
Использование AIC для выбора статистических и эконометрических моделей
Информационный критерий Акаике (AIC) был разработан на основе теории информации. Теория информации - это раздел прикладной математики, касающийся количественной оценки (процесса подсчета и измерения) информации. Используя AIC, чтобы попытаться измерить относительное качество эконометрических моделей для данного набора данных, AIC предоставляет исследователю оценка информации, которая была бы потеряна, если бы использовалась конкретная модель для отображения процесса, который произвел данные. Как таковой, AIC работает, чтобы сбалансировать компромиссы между сложностью данной модели и ее
совершенство, который является статистическим термином для описания того, насколько хорошо модель «соответствует» данным или набору наблюдений.Что AIC не будет делать
Из-за того, что информационный критерий Акаике (AIC) может делать с набором статистических и эконометрических моделей и заданным набором данных, он является полезным инструментом при выборе модели. Но даже как инструмент выбора модели, AIC имеет свои ограничения. Например, AIC может обеспечить только относительный тест качества модели. Это означает, что AIC не предоставляет и не может предоставить тест модели, который дает информацию о качестве модели в абсолютном смысле. Таким образом, если каждая из протестированных статистических моделей одинаково неудовлетворительна или плохо подходит для данных, AIC не предоставит никаких указаний с самого начала.
AIC в терминах эконометрики
AIC - это число, связанное с каждой моделью:
AIC = ln (см2) + 2 м / т
где м количество параметров в модели, и sм2 (в примере AR (m)) - расчетная остаточная дисперсия: sм2 = (сумма в квадрате невязки для модели м) / т. Это средний квадрат остатка для модели м.
Критерий может быть сведен к минимуму при выборе м сформировать компромисс между подгонкой модели (которая уменьшает сумму квадратов невязки) и сложность модели, которая измеряется м. Таким образом, модель AR (m) и AR (m + 1) могут сравниваться по этому критерию для данного пакета данных.
Эквивалентная формулировка такая: AIC = T ln (RSS) + 2K, где K - количество регрессоров, T - количество наблюдений, а RSS - остаточная сумма квадратов; минимизировать над K, чтобы выбрать K.
Как таковой, предоставляется набор эконометрия Для моделей предпочтительной моделью с точки зрения относительного качества будет модель с минимальным значением AIC.