มีแบบจำลองสถิติพอดี (เช่น AIC หรือ BIC) ที่สามารถใช้สำหรับสัมบูรณ์แทนการเปรียบเทียบแบบเปรียบเทียบได้หรือไม่

ฉันไม่คุ้นเคยกับวรรณกรรมนี้ดังนั้นโปรดยกโทษให้ฉันถ้านี่เป็นคำถามที่ชัดเจน

เนื่องจาก AIC และ BIC ขึ้นอยู่กับการเพิ่มโอกาสให้มากที่สุดดูเหมือนว่าพวกเขาสามารถนำมาใช้เพื่อทำการเปรียบเทียบแบบเปรียบเทียบระหว่างชุดของแบบจำลองที่พยายามให้พอดีกับชุดข้อมูลที่กำหนด ตามความเข้าใจของฉันมันไม่สมเหตุสมผลเลยที่จะคำนวณ AIC สำหรับรุ่น A บนชุดข้อมูล 1 คำนวณ AIC สำหรับรุ่น B ในชุดข้อมูล 2 จากนั้นเปรียบเทียบค่า AIC ทั้งสองและตัดสินว่า (เช่น) รุ่น A เหมาะกับชุดข้อมูล 1 ดีกว่ารุ่น B เหมาะกับชุดข้อมูล 2 หรือบางทีฉันเข้าใจผิดและนั่นเป็นสิ่งที่สมเหตุสมผลที่ต้องทำ โปรดแจ้งให้เราทราบ

คำถามของฉันคือ: มีแบบจำลองสถิติพอดีที่สามารถใช้สำหรับสัมบูรณ์แทนการเปรียบเทียบแบบเปรียบเทียบได้หรือไม่ สำหรับโมเดลเชิงเส้นบางอย่างเช่นจะทำงานได้ มันมีช่วงที่กำหนดไว้และมีระเบียบวินัยความคิดเฉพาะเกี่ยวกับสิ่งที่เป็นค่า "ดี" ฉันกำลังมองหาบางอย่างที่กว้างกว่าและคิดว่าฉันสามารถเริ่มต้นด้วยการส่งผู้เชี่ยวชาญมาที่นี่ ฉันแน่ใจว่ามีบางคนเคยคิดเกี่ยวกับสิ่งนี้มาก่อน แต่ฉันไม่รู้จักคำศัพท์ที่เหมาะสมเพื่อทำการค้นหาที่มีประสิทธิภาพใน Google Scholar $R^2$

ความช่วยเหลือใด ๆ ที่จะได้รับการชื่นชม

model-selection aic bic

— Nathan VanHoudnos
แหล่งที่มา

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

R^{2}

$R^2$

สิ่งเดียวที่ฉันจินตนาการได้ในขอบเขตของสิ่งที่คุณกำลังพูดถึงคือการวัดความแม่นยำในการทำนาย คุณภาพของทั้งสองรุ่นในชุดข้อมูลที่แตกต่างกันสองแบบอาจเปรียบเทียบกันได้ซึ่งแบบจำลองหนึ่งทำนายได้ดีที่สุดแม้ว่าจะไม่สมบูรณ์แบบ

— มาโคร

คำตอบ:

เพื่อให้สอดคล้องกับสิ่งที่แมโครแนะนำฉันคิดว่าคำที่คุณกำลังมองหาคือการวัดประสิทธิภาพ แม้ว่าจะไม่ใช่วิธีที่ปลอดภัยในการประเมินพลังการคาดเดา แต่ก็เป็นวิธีที่มีประโยชน์อย่างมากในการเปรียบเทียบคุณภาพที่เหมาะสมของรุ่นต่างๆ

ตัวอย่างการวัดจะเป็นค่าเฉลี่ยของข้อผิดพลาดเฉลี่ยร้อยละ แต่สามารถพบได้ง่ายขึ้น

สมมติว่าคุณใช้ SetA กับ modelA เพื่ออธิบายจำนวนหลุมในถนนและคุณใช้ SetB และ modelB เพื่ออธิบายจำนวนผู้คนในประเทศหนึ่งแน่นอนว่าคุณไม่สามารถพูดได้ว่ารุ่นหนึ่งดีกว่าอีกรุ่นหนึ่ง แต่คุณสามารถ อย่างน้อยดูว่ารุ่นใดให้คำอธิบายที่แม่นยำยิ่งขึ้น

— เดนนิส Jaheruddin
แหล่งที่มา

มีบางบทความใหม่ที่สำรวจสิ่งที่คุณกำลังมองหาฉันคิดว่า; Nakagawa และ Schielzeth (2013)นำเสนอสถิติR²สำหรับโมเดลผสมเอฟเฟกต์ที่เรียกว่า "R2 GLMM" เพื่อกำหนดจำนวนความแปรปรวนที่ไม่ได้อธิบายในแบบจำลอง

เงื่อนไขR²GLMMถูกตีความว่าเป็นความแปรปรวนที่อธิบายโดยปัจจัยคงที่และสุ่ม

Marginal R²GLMMแสดงถึงความแปรปรวนที่อธิบายโดยปัจจัยคงที่

ในปี 2014 จอห์นสันได้ปรับปรุงสมการบัญชีสำหรับโมเดลทางลาดแบบสุ่ม

มีความสุขที่คุณสามารถคำนวณทั้งร่อแร่และR²GLMMที่มีเงื่อนไขโดยใช้แพ็คเกจ "MuMIn" ใน R ( Barton, 2015 )

— โนวา
แหล่งที่มา