I criteri di distribuzione si adattano alla selezione all'interno dell'opzione Capacità di processoUtilizzo la funzione Analizza / Qualità e processo / processo e, dopo aver selezionato i dati "Y, Processo" e "Per", seleziono quindi "Opzioni di distribuzione", seleziono Distribuzione "Adatta".
Questo adatta quindi numerose distribuzioni di dati al mio set di dati e raccomanda il più alto AICc BIC -2Loglike
Dettagli di confronto
La mia domanda è che ci siano razionali riconosciuti per selezionare AICc su BIC o over -2Loglike (qualsiasi articolo o esperienza di riferimento) e quanto vicini devono essere questi valori tra loro per essere considerati simili. Per esempio le prime 4 distribuzioni sopra sono quasi le stesse dato che sono da c.46 a 50, ma ho ragione a dire che il Normal non dovrebbe essere usato come molto più grande essendo c.63, quanto vicino possono essere considerati simili e dissimile?? (di nuovo qualsiasi riferimento o esperienza sarebbe apprezzato).
Saluti Ian
Ri: i criteri di distribuzione si adattano alla selezione all'interno dell'opzione Capacità di processoQuesti criteri sono basati sulla teoria dell'informazione. Il -2L è una misura del modello pregiudizio , quindi più piccolo è questo valore, minore sarà la distorsione nel modello. Generalmente vogliamo il modello con una distorsione minima. Senza riguardo al modello varianza , basta aumentare la complessità del modello (ad esempio, aggiungere più termini al modello lineare) fino a quando non si è perfettamente adattati. Questo risultato va bene se vuoi solo modellare il set di dati corrente. Un tale modello non generalizzare 'per rappresentare nuovi dati, però. Quindi -2L fornisce informazioni sul modello, ma è generalmente considerato un criterio inadeguato per la selezione del modello.
AIC e BIC sono entrambi basati su -2L più un pena per la varianza. L'AIC o il BIC minimo scambia in modo ottimale la distorsione e la varianza. La differenza tra i due criteri è nella definizione della penalità. La penalità in entrambi i casi è una funzione della complessità del modello e della dimensione del campione. L'AIC è generalmente preferito rispetto a BIC, ma alcuni tipi di modelli sembrano essere selezionati meglio con BIC a seconda dell'interpretazione della complessità.
La differenza tra i due modelli con il miglior AIC può essere utile quando si valutano i modelli candidati. Una differenza AIC inferiore a 4 indica che il secondo modello migliore ha un supporto significativo dai dati, una differenza di 4-10 indica un supporto notevolmente inferiore e una differenza maggiore di 10 indica essenzialmente nessun supporto.
NOTA: questi criteri dipendono dai dati di allenamento.
È meglio quando la scelta del modello include anche le conoscenze disponibili sul sistema osservato. Come si verificano i dati? Questa informazione può guidare la scelta del modello? La selezione del modello non dovrebbe limitarsi al montaggio dei dati.
Ri: i criteri di distribuzione si adattano alla selezione all'interno dell'opzione Capacità di processoGrazie Mark per questo, quindi per le 4 distribuzioni
# 1) Miscela di 2 normali
2) Weibull
3) Miscela di 3 normali
4) Johnson Su
Questi hanno tutti AICc simili, ma si trovano entro un raggio di 4 e sono considerati simili, le altre distribuzioni da "Normale" in poi sono maggiori di 10 punti AICc e quindi non dovrebbero essere considerate.
Dichiarazione "Una differenza AIC inferiore a 4 indica che il secondo modello migliore ha un supporto significativo dai dati", quindi raccomandi # 2 Weibull è l'opzione migliore, perché è stato scelto che le distribuzioni "Mixture" siano preferite di preferenza rispetto a le più classiche Weibull e simili distribuzioni (es. Normale, Gamma ecc.).
Accresci il tuo aiuto in questo, c'è qualche letteratura che descrive questo?
Saluti IanRi: i criteri di distribuzione si adattano alla selezione all'interno dell'opzione Capacità di processoNo. Usando AICc da solo , la miscela di due distribuzioni normali è il modello migliore e la distribuzione di Weibull è il secondo miglior modello di quei modelli adatti agli stessi dati. Poiché l'AICc associato al modello di Weibull è simile a quello del normale modello di miscela, possiamo dire che anch'esso ha molto supporto dai dati.
Se avessi altri motivi indipendenti per scegliere la distribuzione di Weibull (ad esempio, la preferenza storica, la teoria del processo, eccetera), allora quell'informazione insieme all'AICc potrebbe indurmi a sceglierla rispetto al normale modello di miscela.
Un buon riferimento è Kenneth P. Burnham e David R. Anderson (2002) " Selezione del modello e inferenza multimodale: A Informazioni pratiche-Approccio teorico, Seconda edizione "Springer.
