模型模拟评估的AIC准则.doc

《模型模拟评估的AIC准则.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、赤池信息量准则（Akaikeinformationcriterion、简称AIC）是衡量统计模型拟合优良性的一种标准，是由日本统计学家赤池弘次创立和发展的。赤池信息量准则建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。在一般的情况下，AIC可以表示为：其中：K是参数的数量，L是似然函数。假设条件是模型的误差服从独立正态分布。让n为观察数，RSS为剩余平方和，那么AIC变为：增加自由参数的数目提高了拟合的优良性，AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合（Overfitting）的情况。所以优先考虑的模型应是AIC值最小的那一个。赤池信息量准则的方法是

2、寻找可以最好地解释数据但包含最少自由参数的模型。AICc和AICu在样本小的情况下，AIC转变为AICc：当n增加时，AICc收敛成AIC。所以AICc可以应用在任何样本大小的情况下（BurnhamandAnderson,2004）。McQuarrie和Tsai（1998:22）把AICc定义为：他们提出的另一个紧密相关指标为AICu：QAIC（Quasi-AIC）可以定义为：其中：c是方差膨胀因素。因此QAIC可以调整过度离散（或者缺乏拟合）。在小样本情况下,QAIC表示为：.