Akaike-tietokriteeri (yleisesti kutsutaan yksinkertaisesti AIC) on kriteeri sisäkkäisten tilastollisten tai ekonometristen mallien valitsemiseksi. AIC on olennaisesti arvio käytettävissä olevien ekonometristen mallien laadusta koska ne liittyvät toisiinsa tietyn tietoryhmän suhteen, mikä tekee siitä ihanteellisen menetelmän mallin valinnalle.
AIC: n käyttö tilastollisen ja ekonometrisen mallin valinnassa
Akaike-tietokriteeri (AIC) kehitettiin tietoteorian pohjalta. Tiedotusteoria on sovelletun matematiikan haara, joka koskee tiedon kvantifiointia (laskenta- ja mittausprosessia). Kun AIC yrittää mitata ekonometristen mallien suhteellista laatua tietylle tietojoukolle, AIC antaa tutkijalle arvio tiedoista, jotka menetetään, jos tiettyä mallia käytettäisiin prosessin tuottamiseksi, joka tuotti tiedot. Sellaisenaan AIC pyrkii tasapainottamaan kompromissit tietyn mallin ja sen mallin monimutkaisuuden välillä sopivuuden hyvyys, joka on tilastollinen termi kuvaamaan kuinka hyvin malli "sopii" tietoihin tai havaintojen joukkoon.
Mitä AIC ei tee
Koska Akaike Information Criterion (AIC) voi tehdä joukon tilastollisia ja ekonometrisiä malleja ja tietyn tietosarjan, se on hyödyllinen työkalu mallin valinnassa. Mutta jopa mallinvalintatyökaluna, AIC: lla on rajoituksensa. Esimerkiksi AIC voi tarjota vain suhteellisen testin mallin laadusta. Toisin sanoen AIC ei voi eikä voi tarjota mallin testiä, joka johtaa tietoon mallin laadusta absoluuttisessa merkityksessä. Joten jos jokainen testattu tilastollinen malli on yhtä epätyydyttävä tai ei sovellu tietoihin, AIC ei tarjoa mitään viitteitä alusta alkaen.
AIC ekonometrian kannalta
AIC on numero, joka liittyy kuhunkin malliin:
AIC = ln (sm2) + 2m / T
Missä m on mallin parametrien lukumäärä, ja sm2 (esimerkissä AR (m)) on arvioitu jäännösvarianssi: sm2 = (neliön summa jäännökset mallille m) / T. Se on mallin keskimääräinen neliöjäännös m.
Kriteeri voidaan minimoida verrattuna valintoihin m muodostaa kompromissi mallin sopivuuden välillä (mikä pienentää neliösummaa) jäännökset) ja mallin monimutkaisuus, jota mitataan m. Siten AR (m) -malli vs. AR (m + 1) voidaan verrata tällä kriteerillä tietylle tietoryhmälle.
Vastaava formulaatio on tämä: AIC = T ln (RSS) + 2K, missä K on regressorien lukumäärä, T havaintojen lukumäärä ja RSS jäljellä oleva neliöiden summa; minimoi K ja valitse K.
Sinänsä, jos joukko ekonometria malleja, suhteellisen laadun kannalta edullinen malli on malli, jolla on pienin AIC-arvo.