Critères de distribution pouvant être sélectionnés dans l'option Capacité de traitementJ'utilise les capacités d'analyse / qualité et processus / processus et après avoir sélectionné les données "Processus" et la sélection "Par", je sélectionne ensuite sous "Options de distribution", puis je sélectionne "Meilleur ajustement".
Ceci adapte ensuite de nombreuses distributions de données à mon ensemble de données et recommande le plus haut AICc BIC -2Loglike
Détails de comparaison
Ma question est la suivante: existe-t-il des raisons reconnues de choisir AICc sur BIC ou sur -2Loglike (tout article de référence ou expérience) et quel est le degré de proximité entre ces valeurs pour être considérées comme similaires. Par exemple, les 4 premières distributions ci-dessus sont à peu près les mêmes étant donné qu’elles sont comprises entre 46 et 50, mais ai-je raison de dire que la normale ne devrait pas être utilisée car elle est beaucoup plus grande, c.63, à quelle distance peuvent-elles être considérées comme similaires et différent?? (encore une fois des références ou des expériences seraient appréciées).
Cordialement Ian
Objet: Critères de distribution pouvant être sélectionnés dans l'option Capacité de traitementCes critères sont basés sur la théorie de l'information. Le -2L est une mesure de modèle partialité Ainsi, plus cette valeur est petite, moins le modèle est biaisé. Nous voulons généralement un modèle avec un minimum de biais. Sans égard au modèle variance En augmentant simplement la complexité du modèle (par exemple, en ajoutant plus de termes au modèle linéaire), vous obtenez un ajustement parfait. Ce résultat est correct si vous souhaitez uniquement modéliser le jeu de données actuel. Un tel modèle ne ' généraliser 'pour représenter de nouvelles données, cependant. La -2L fournit donc des informations sur le modèle, mais est généralement considérée comme un critère médiocre pour la sélection du modèle.
AIC et BIC sont tous deux basés sur -2L plus un peine pour la variance. Le minimum AIC ou BIC permet de compenser de manière optimale le biais et la variance. La différence entre les deux critères réside dans la définition de la pénalité. La pénalité dans les deux cas est fonction de la complexité du modèle et de la taille de l'échantillon. L'AIC est généralement préféré au BIC, mais certains types de modèles semblent mieux sélectionnés avec le BIC en fonction de l'interprétation de la complexité.
La différence entre les deux modèles avec le meilleur AIC peut être utile lors de l'évaluation des modèles candidats. Une différence AIC inférieure à 4 indique que le deuxième meilleur modèle prend en charge les données de manière significative, une différence de 4 à 10 indique une prise en charge considérablement moindre et une différence supérieure à 10 indique une absence de prise en charge.
REMARQUE: ces critères dépendent des données d'apprentissage.
Il est préférable que le choix du modèle comprenne également les connaissances disponibles sur le système observé. Comment se produisent les données? Cette information peut-elle guider le choix du modèle? La sélection du modèle ne doit pas être uniquement une question de correspondance
Objet: Critères de distribution pouvant être sélectionnés dans l'option Capacité de traitementMerci Mark pour cela, donc pour les 4 distributions
# 1) Mélange de 2 normales
# 2) Weibull
# 3) Mélange de 3 normales
# 4) Johnson Su
Toutes ont une AICc similaire, mais se situent dans une fourchette de 4 et sont considérées comme similaires. Les autres distributions à partir de "Normal" dépassent 10 points AICc et ne doivent donc pas être prises en compte.
Votre déclaration "Une différence AIC inférieure à 4 indique que le deuxième meilleur modèle bénéficie d'un support significatif à partir des données", vous recommandez donc # 2. Weibull est la meilleure option. Pourquoi est-il choisi cette option? les distributions plus classiques de Weibull et autres (par exemple, Normal, Gamma, etc.).
Après avoir apprécié votre aide, y a-t-il de la littérature qui décrit cela?
A bientôt IanObjet: Critères de distribution pouvant être sélectionnés dans l'option Capacité de traitementNon. Utiliser AICc seul , le mélange des deux distributions normales est le meilleur modèle et la distribution de Weibull est le deuxième meilleur modèle de ces modèles adaptés aux mêmes données. Étant donné que l'AICc associé au modèle de Weibull est proche de celui du modèle de mélange normal, nous pouvons dire qu'il a également beaucoup de soutien à partir des données.
Si j’avais d’autres raisons indépendantes de choisir la distribution de Weibull (préférence historique, théorie du processus, etc.), cette information ainsi que l’AICc pourraient me conduire à la choisir par rapport au modèle de mélange normal.
Kenneth P. Burnham et David R. Anderson (2002) sont une bonne référence. " Sélection de modèles et inférence multimodèle: une approche pratique de la théorie de l'information, deuxième édition "Springer.
