Los criterios de distribución se ajustan para seleccionar dentro de la opción Capacidad de procesoUtilizo la capacidad de Analizar / Calidad y Proceso / Proceso y después de seleccionar los datos "Y, Proceso" y "Por", luego selecciono en "Opciones de distribución", seleccioné Distribución "Mejor ajuste".
Esto luego se ajusta a numerosas distribuciones de datos a mi conjunto de datos y recomienda el AICc BIC -2Loglike más alto
Detalles de comparación
Mi pregunta es si existen razones reconocidas para seleccionar AICc sobre BIC o sobre -2Loglike (cualquier artículo o experiencia de referencia) y qué tan cerca deben estar estos valores entre sí para que se consideren similares. Por ejemplo, las primeras 4 distribuciones anteriores son aproximadamente las mismas, dado que son c.46 a 50, pero estoy en lo cierto al decir que la Normal no se debe usar, ya que es mucho más grande que la c.63. ¿¿disímil?? (de nuevo cualquier referencia o experiencia sería apreciada).
Saludos Ian
Re: Los criterios de distribución se ajustan para seleccionar dentro de la opción Capacidad de procesoEstos criterios se basan en la teoría de la información. El -2L es una medida de modelo. parcialidad , por lo que cuanto menor sea este valor, menor será el sesgo en el modelo. Generalmente queremos el modelo con sesgo mínimo. Sin tener en cuenta el modelo diferencia , solo aumenta la complejidad del modelo (por ejemplo, agregue más términos al modelo lineal) hasta que tenga un ajuste perfecto. Ese resultado está bien si solo desea modelar el conjunto de datos actual. Tal modelo no lo hace generalizar 'para representar nuevos datos, sin embargo. Por lo tanto, la -2L proporciona información sobre el modelo, pero generalmente se considera un criterio deficiente para la selección del modelo.
AIC y BIC se basan en -2L más un pena por la varianza. El mínimo de AIC o BIC se negocia de manera óptima por sesgo y varianza. La diferencia entre los dos criterios está en la definición de la pena. La penalización en ambos casos es una función de la complejidad del modelo y el tamaño de la muestra. AIC generalmente se prefiere sobre BIC, pero algunos tipos de modelos parecen seleccionarse mejor con BIC dependiendo de la interpretación de la complejidad.
La diferencia entre los dos modelos con el mejor AIC puede ser útil al evaluar los modelos candidatos. Una diferencia de AIC inferior a 4 indica que el segundo mejor modelo tiene un respaldo significativo de los datos, una diferencia de 4 a 10 indica un soporte considerablemente menor, y una diferencia mayor que 10 indica que esencialmente no hay soporte.
NOTA: estos criterios dependen de los datos de entrenamiento.
Es mejor cuando la elección del modelo también incluye el conocimiento disponible sobre el sistema observado. ¿Cómo se producen los datos? ¿Puede esa información guiar la elección del modelo? La selección del modelo no debe ser solo sobre el ajuste de datos.
Re: Los criterios de distribución se ajustan para seleccionar dentro de la opción Capacidad de procesoGracias Mark por esto, así que por las 4 distribuciones.
# 1) Mezcla de 2 Normales
# 2) Weibull
# 3) Mezcla de 3 Normales
# 4) Johnson Su
Todos estos tienen un AICc similar, pero están dentro de un rango de 4 y se consideran similares, las otras distribuciones desde "Normal" en adelante son mayores que 10 puntos AICc y, por lo tanto, no deben considerarse.
La declaración de Yor "Una diferencia de AIC inferior a 4 indica que el segundo mejor modelo tiene un respaldo significativo de los datos", por lo que recomienda que # 2 Weibull sea la mejor opción. las distribuciones Weibull más clásicas y similares (p. ej., Normal, Gamma, etc.).
Aprecie su ayuda en esto, ¿hay alguna literatura que describa esto?
Saludos IanRe: Los criterios de distribución se ajustan para seleccionar dentro de la opción Capacidad de procesoNo. Usando AICc solo , la combinación de dos distribuciones normales es el mejor modelo y la distribución de Weibull es el segundo mejor modelo de esos modelos que se ajusta a los mismos datos. Debido a que el AICc asociado al modelo de Weibull es similar al del modelo de mezcla normal, podemos decir que también tiene mucho apoyo de los datos.
Si tuviera otras razones independientes para elegir la distribución de Weibull (por ejemplo, preferencia histórica, teoría del proceso, etc.), entonces esa información junto con el AICc podría llevarme a elegirla sobre el modelo de mezcla normal.
Una buena referencia es Kenneth P. Burnham y David R. Anderson (2002) " Selección de modelo e inferencia multimodelo: un enfoque teórico-informativo práctico, segunda edición , "Springer.
