分配標準適合在Process Capability選項中進行選擇我使用分析/質量和流程/流程能力，在選擇“Y，流程”數據和“按”選擇後，然後在“分配選項”下選擇，我選擇分配“最適合”。
然後，這適用於我的數據集的大量數據分佈，並建議最高的AICc BIC -2Loglike
比較細節
我的問題是，有任何公認的理由來選擇AICc而非BIC或-2Loglike（任何參考文章或經驗）以及這些值彼此有多接近以使它們被認為是相似的。例如，上面的前4個分佈大致相同，因為它們是c.46到50，但我是正確的說法線不應該被用作它的更大的c.63，它們有多接近可以被認為是相似的和不同？（再次提及任何參考或經驗）。
問候伊恩
Re：分配標準適合在Process Capability選項中選擇這些標準基於信息理論。-2L是模型的度量偏壓 ，因此該值越小，模型中的偏差越小。我們通常希望模型具有最小的偏差。不考慮模型方差 ，您只需增加模型的複雜性（例如，在線性模型中添加更多項），直到您完美契合。如果您只想為當前數據集建模，那麼結果很好。這樣的模型不' 概括但是，要表示新數據。因此-2L提供了關於模型的信息，但通常被認為是模型選擇的不良標準。
AIC和BIC均基於-2L加a 罰款為方差。最小AIC或BIC最佳地折衷偏差和方差。兩個標準之間的區別在於懲罰的定義。兩種情況下的懲罰都是模型複雜性和样本量的函數。AIC通常比BIC更受青睞，但是根據複雜性的解釋，BIC似乎可以更好地選擇某些類型的模型。
在評估候選模型時，具有最佳AIC的兩個模型之間的差異可能會有所幫助。小於4的AIC差異表明第二最佳模型具有來自數據的顯著支持，4到10的差異表示支持相當少，並且差異大於10表示基本上沒有支持。
注意：這些標準取決於訓練數據。
最好的選擇模型還包括有關觀察系統的可用知識。數據如何發生？該信息可以指導模型的選擇嗎？模型選擇不應僅僅是擬合數據。
Re：分配標準適合在Process Capability選項中選擇感謝Mark，因此對於4個發行版
＃1）2法線的混合
＃2）威布爾
＃3）3個法線的混合
＃4）約翰遜蘇
這些都具有相似的AICc，但是在4的範圍內並且被認為是相似的，從“正常”開始的其他分佈大於10個AICc點，因此不應該被考慮。
Yor聲明“AIC差異小於4表示第二個最好的模型得到了數據的重要支持”，所以你建議＃2 Weibull是最好的選擇，為什麼選擇“混合”分佈降級為優先選擇更經典的Weibull等分佈（例如Normal，Gamma等）。
Apreciate你的幫助，是否有任何文獻說明這一點？
乾杯伊恩Re：分配標準適合在Process Capability選項中選擇沒有。單獨使用AICc ，兩個正態分佈的混合是最好的模型，而威布爾分佈是適合相同數據的那些模型的第二個最佳模型。因為Weibull模型的相關AICc接近於普通混合模型，我們可以說它也得到了數據的大量支持。
如果我有其他獨立的理由選擇威布爾分佈（例如，歷史偏好，過程理論等），那麼這些信息以及AICc可能會讓我選擇它而不是正常的混合模型。
一個很好的參考是Kenneth P. Burnham和David R. Anderson（2002）“ 模型選擇和多模型推理：實用信息 - 理論方法，第二版 ，“施普林格。
