分配标准适合在Process Capability选项中进行选择我使用分析/质量和流程/流程能力，在选择“Y，流程”数据和“按”选择后，然后在“分配选项”下选择，我选择分配“最适合”。
然后，这适用于我的数据集的大量数据分布，并建议最高的AICc BIC -2Loglike
比较细节
我的问题是，有任何公认的理由来选择AICc而非BIC或-2Loglike（任何参考文章或经验）以及这些值彼此有多接近以使它们被认为是相似的。例如，上面的前4个分布大致相同，因为它们是c.46到50，但我是正确的说法线不应该被用作它的更大的c.63，它们有多接近可以被认为是相似的和不同？（再次提及任何参考或经验）。
问候伊恩
Re：分配标准适合在Process Capability选项中选择这些标准基于信息理论。-2L是模型的度量偏压 ，因此该值越小，模型中的偏差越小。我们通常希望模型具有最小的偏差。不考虑模型方差 ，您只需增加模型的复杂性（例如，在线性模型中添加更多项），直到您完美契合。如果您只想为当前数据集建模，那么结果很好。这样的模型不' 概括但是，要表示新数据。因此-2L提供了关于模型的信息，但通常被认为是模型选择的不良标准。
AIC和BIC均基于-2L加a 罚款为方差。最小AIC或BIC最佳地折衷偏差和方差。两个标准之间的区别在于惩罚的定义。两种情况下的惩罚都是模型复杂性和样本量的函数。AIC通常比BIC更受青睐，但是根据复杂性的解释，BIC似乎可以更好地选择某些类型的模型。
在评估候选模型时，具有最佳AIC的两个模型之间的差异可能会有所帮助。小于4的AIC差异表明第二最佳模型具有来自数据的显着支持，4到10的差异表示支持相当少，并且差异大于10表示基本上没有支持。
注意：这些标准取决于训练数据。
最好的选择模型还包括有关观察系统的可用知识。数据如何发生？该信息可以指导模型的选择吗？模型选择不应仅仅是拟合数据。
Re：分配标准适合在Process Capability选项中选择感谢Mark，因此对于4个发行版
＃1）2法线的混合
＃2）威布尔
＃3）3个法线的混合
＃4）约翰逊苏
这些都具有相似的AICc，但是在4的范围内并且被认为是相似的，从“正常”开始的其他分布大于10个AICc点，因此不应该被考虑。
Yor声明“AIC差异小于4表示第二个最好的模型得到了数据的重要支持”，所以你建议＃2 Weibull是最好的选择，为什么选择“混合”分布降级为优先选择更经典的Weibull等分布（例如Normal，Gamma等）。
Apreciate你的帮助，是否有任何文献说明这一点？
干杯伊恩Re：分配标准适合在Process Capability选项中选择没有。单独使用AICc ，两个正态分布的混合是最好的模型，而威布尔分布是适合相同数据的那些模型的第二个最佳模型。因为Weibull模型的相关AICc接近于普通混合模型，我们可以说它也得到了数据的大量支持。
如果我有其他独立的理由选择威布尔分布（例如，历史偏好，过程理论等），那么这些信息以及AICc可能会让我选择它而不是正常的混合模型。
一个很好的参考是Kenneth P. Burnham和David R. Anderson（2002）“ 模型选择和多模型推理：实用信息 - 理论方法，第二版 ，“施普林格。
