So sánh các mô hình không lồng nhau với AIC


19

Nói rằng chúng ta phải GLMM

mod1 <- glmer(y ~ x + A + (1|g), data = dat)
mod2 <- glmer(y ~ x + B + (1|g), data = dat)

Những mô hình này không được lồng trong ý nghĩa thông thường của:

a <- glmer(y ~ x + A + (1|g),     data = dat)
b <- glmer(y ~ x + A + B + (1|g), data = dat)

Vì vậy, chúng tôi không thể làm anova(mod1, mod2)như chúng ta sẽ làm với anova(a ,b).

Thay vào đó, chúng ta có thể sử dụng AIC để nói đâu là mô hình tốt nhất?

Câu trả lời:


24

AIC có thể được áp dụng với các mô hình không lồng nhau. Trên thực tế, đây là một trong những huyền thoại mở rộng nhất (hiểu lầm?) Về AIC. Xem:

Một điều bạn phải cẩn thận là bao gồm tất cả các hằng số chuẩn hóa, vì các giá trị này khác nhau đối với các mô hình (không lồng nhau) khác nhau:

Xem thêm:

Trong bối cảnh GLMM, một câu hỏi tế nhị hơn là AIC đáng tin cậy đến mức nào khi so sánh loại mô hình này (xem thêm @ BenBolker's). Các phiên bản khác của AIC sẽ được thảo luận và so sánh trong bài báo sau:


2
lưu ý rằng sự khác biệt AIC cận biên và có điều kiện là quan trọng nhất khi cố gắng so sánh các mô hình khác nhau trong tập hợp hiệu ứng ngẫu nhiên của chúng
Ben Bolker

@ChỌ & Ben Bolker cảm ơn bạn rất nhiều vì cả hai câu trả lời của bạn. Có ai trong hai bạn tình cờ có một tài liệu tham khảo chính thức hơn cho đối số sử dụng AIC theo cách này không?
user1322296

2
@ user1322296 Tôi muốn đề nghị đi đến thư mục gốc, đây là bài viết của Akaike . AIC được lấy làm công cụ ước tính về sự khác biệt giữa mô hình của bạn và "mô hình thực". Vì vậy, không có lồng giả, chỉ có một số điều kiện thường xuyên.
Đèn chùm

Vậy có hợp lệ để so sánh AIC của lm1 = x ~ A + B C và lm2 = x ~ D + B C chẳng hạn? Cảm ơn
crazjo

Dường như có các mô hình không lồng nhau mà việc sử dụng AIC không phù hợp. Đây là hai ví dụ: 12 . Bạn có thể vui lòng cung cấp một số điều kiện theo đó lựa chọn mô hình không lồng nhau không hoạt động?
Carl

10

Để tham khảo, một phản biện: Brian Ripley nói trong "Lựa chọn giữa các lớp lớn của các mô hình" Trang 6-7

Các giả định quan trọng ... Các mô hình được lồng vào nhau (chú thích: xem phần dưới cùng của trang 615 trong lần tái bản của Akaike (1973)). - AIC được sử dụng rộng rãi khi chúng không

f(x|kθ

Ripley, BD 2004. Nhận lựa chọn giữa các loại mô hình lớn. Các phương pháp và mô hình thống kê , được chỉnh sửa bởi N. Adams, M. Crowder, D. J Hand và D. Stephens, 155 đấm70. London, England: Nhà xuất bản Đại học Hoàng gia.

Akaike, H. (1973) Lý thuyết thông tin và mở rộng nguyên tắc khả năng tối đa. Trong Hội thảo quốc tế lần thứ hai về lý thuyết thông tin (Eds BN Petrov và F. Cáski), trang 267 Lu281, Budapest. Akademiai Kaidó. In lại trong Đột phá trong Thống kê , eds Kotz, S. & Johnson, NL (1992), tập I, tr. 599 Chiếc624. New York: Mùa xuân.


3

Có vẻ như Akaike nghĩ rằng AIC là một công cụ hữu ích để so sánh các mô hình không lồng nhau.

"Một quan sát quan trọng về AIC là nó được xác định mà không cần tham chiếu cụ thể đến mô hình thực [f (x | kθ)]. Vì vậy, đối với bất kỳ số lượng hữu hạn nào của các mô hình tham số, chúng tôi luôn có thể xem xét một mô hình mở rộng sẽ đóng vai trò của [f (x | kθ)] Điều này cho thấy rằng AIC có thể hữu ích, ít nhất là về nguyên tắc, để so sánh các mô hình không được kiểm chứng, nghĩa là không áp dụng thử nghiệm tỷ lệ khả năng ghi nhật ký thông thường. "

(Akaike 1985, trang 399)

Akaike, Hirotugu. "Dự đoán và entropy." Giấy tờ được lựa chọn của Hirotugu Akaike. Springer, New York, NY, 1985. 387-410.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.