Akaike informācijas kritērijs (parasti dēvē tikai par AIC) ir kritērijs izvēlēties starp ligzdotajiem statistiskajiem vai ekonometriskajiem modeļiem. AIC būtībā ir katra pieejamā ekonometriskā modeļa kvalitātes novērtēts rādītājs jo tie ir savstarpēji saistīti ar noteiktu datu kopu, padarot to par ideālu modeļa izvēles metodi.
AIC izmantošana statistiskā un ekonometriskā modeļa atlasē
Akaike informācijas kritērijs (AIC) tika izstrādāts ar informācijas teorijas pamatu. Informācijas teorija ir lietišķās matemātikas nozare, kas attiecas uz informācijas kvantitatīvo noteikšanu (skaitīšanas un mērīšanas procesu). Izmantojot AIC, lai mēģinātu izmērīt ekonometrisko modeļu relatīvo kvalitāti dotajai datu kopai, AIC nodrošina pētniekam - tās informācijas novērtējums, kas tiks zaudēta, ja, lai parādītu procesu, kura rezultātā tika izveidots konkrēts modelis, tiks izmantots dati. Kā tāds AIC darbojas, lai līdzsvarotu kompromisus starp konkrētā modeļa sarežģītību un tā modeli piemērotības labestība
, kas ir statistikas termins, lai aprakstītu, cik labi modelis "atbilst" datiem vai novērojumu kopai.Ko AIC nedarīs
Sakarā ar to, ko Akaike informācijas kritērijs (AIC) var darīt ar statistisko un ekonometrisko modeļu kopu un doto datu kopu, tas ir noderīgs rīks modeļa izvēlē. Bet pat kā modeļa izvēles rīks AIC ir savi ierobežojumi. Piemēram, AIC var nodrošināt tikai modeļa kvalitātes relatīvu pārbaudi. Tas nozīmē, ka AIC nenodrošina un nevar nodrošināt modeļa pārbaudi, kuras rezultātā tiek iegūta informācija par modeļa kvalitāti absolūtā nozīmē. Tātad, ja katrs pārbaudītais statistikas modelis ir vienlīdz neapmierinošs vai neatbilst datiem, AIC jau no paša sākuma nesniedz nekādas norādes.
AIC ekonometrijas izteiksmē
AIC ir numurs, kas saistīts ar katru modeli:
AIC = ln (sm2) + 2m / T
Kur m ir parametru skaits modelī, un sm2 (AR (m) piemērā) ir aprēķinātā atlikušā dispersija: sm2 = (kvadrātu summa atlikumi modelim m) / T. Tas ir modeļa vidējais kvadrāta atlikums m.
Kritēriju var samazināt līdz, izvēloties: m lai izveidotu kompromisu starp modeļa piemērotību (kas samazina kvadrātu summu) atlikumi) un modeļa sarežģītību, ko mēra ar m. Tādējādi AR (m) modeli pret AR (m + 1) var salīdzināt ar šo kritēriju dotajai datu kopai.
Līdzvērtīgs formulējums ir šāds: AIC = T ln (RSS) + 2K, kur K ir regresoru skaits, T novērojumu skaits un RSS ir kvadrātu atlikušā summa; samaziniet līdz K, lai izvēlētos K.
Kā tāds, ja ekonometrija modeļiem, relatīvās kvalitātes ziņā vēlamais modelis būs modelis ar minimālo AIC vērtību.