这最多著名的引用在全部的统计数据是乔治盒子的
“全部楷模是错误的，但一些是有用。”
我有听到这引用在几乎每一个会议
我有曾经到过到，和因为的这，
到我的回忆，我有实际上避免的使用这引用在任何讲话前。
但什么时候我看起来向上
这第一的时间它曾是曾经放在打印，它曾是在A 1976年杂志
的这美国人统计协会文章。
它是成立在A部分被称为俭朴。
立即地后那第一的实例
的这引用，他会谈关于这重要性的发现
这最简单的模型那描述这观察到的现象。
这金额到发现楷模那提供A合理的平衡
的拟合优度相对模型复杂和是确切地
什么我是去到是说关于今天在这推介会。
联合管理计划和联合管理计划专业版提供A很多的不同的造型能力，
每个和A很多的输出有关的到选择A模型。
今天我是去到去进入一些细节进入一些的这最多重要的的这些，
突出显示他们的动机和这假设在后面他们。
A很多的这讨论将要是关于这AICc和BIC模型选择标准，
哪个是直接的和非常数据-高效的工具为了寻址这问题。
盒子有在头脑和他的引用，
哪个是如何到寻找A有用模型从A放的有缺陷的或者错误的那些。
作为我曾是推杆这推介会一起，
我去通过这推导的这航空工业协会和这比克。
我通缉到得到A清除理解
的什么这些相似的-看着方法真的是和什么假设他们制成。
然后，出去的好奇心，
我做过一个互联网搜索的航空工业协会相对BIC 与交叉验证。
它曾是有趣的到看在全部这些互联网形式那那里是仍然
所以很多辩论，甚至尽管这些方法有到过大约为了50年。
拥有最近已审查这推导的这方法，
它看起来喜欢那里是仍然A很多的误解出去那里。
我思考这原因为了这是那两个都模型选择标准
有非常深的和技术的推导
尽管这简单的他们的公式，两个都的他们是平等的到减二次
这对数似然的这已安装模型，
加A简单的惩罚基于在这数字的模型参数。
你不能猜测这原因
为了这惩罚条款从这公式独自的，
哪个使他们似乎神秘和随意的。
一的我的目标今天是到尝试
到揭开神秘面纱这些没有去落水在这数学。
到放这全部在这语境的一个分析工作流程，
我们能思考的一个分析项目作为拥有四主要的脚步。
我们第一的有到获得这数据，得到它有组织的和清洁过的向上。
然后我们合身一些楷模到它在A方式
那是任何一个手动的或者自动化的经过软件喜欢联合管理计划或者联合管理计划亲。
一次我们已经完毕那，然后我们需要到选择一的他们
作为这模型那是去到工作和移动向前。
这是A批判的步在这过程那出色地是聚焦在今天。
它是重要的那我们得到这模型选择正确的
因为这质量的这结果和这结论我们制作
在这结尾需要那我们有A合理地好的模型。
这里是这主要的方法那我有见过人们制作决定关于楷模。
假设测试是大概这第一的一人们学习关于。
这些是最多通常用过的到决定如果A回归系数
是统计上显著地不同的从零，
哪个声音喜欢A模型选择问题。
尽管他们是经常用过的在那方式，
假设测试是衍生的在下面A具体的放的假设
那明确地做不是帐户为了拥有改变了这模型
或者拥有用过的A模型那曾是选择的作为这最好的
其中一些备择方案。
然后我们有这一般的经验程序那评估楷模基于
在数据握住出去从这模型配件过程。
这些技巧能是应用到两个都古典统计楷模
作为出色地作为机器学习楷模。
在我的观点，坚持验证，在特别的，是这方式到去
如果你有A所有的很多的数据。
然后我们有什么全部被称为这小的数据分析性的程序。
这些是衍生的为了情况什么时候你有到制作A决定
关于哪个模型到使用，但你不有足够的数据
到抓住出去任何观察。
这最多通常用过的的这些是这航空工业协会和这BIC。
但那里是其他出色地-已知的技巧
喜欢广义C交叉验证和锦葵C P。
它轮流出去那这些二是实际上渐近地相等的
到这工商局,所以在大的样品你应该得到这相同的结论从GCV,
锦葵的CP,和这工商局,在特别的，为了在至少正方形-基于楷模。
然后我们还有什么患病的称呼模型-具体的方法喜欢贵宾
和部分地正方形楷模和这立方体聚类标准
在聚类中楷模。
这些是漂亮的利基和我惯于是说关于他们任何更多的这里今天。
然后我们还有视觉的工具喜欢实际由预料到的地块
和鹏曲线。
不管的如何你选择你的模型，
这些地块是好的到拿A看在前移动向前和A模型
因为他们提供更多的有趣的信息
比任何个人统计将要和能告诉我们如果这最好的模型
那我们已经经过考虑的所以远的是仍然A好的足够的模型为了我们到使用。
我的自己的第一的遇到和模型选择标准在我的专业的生活
曾是后退在这中- 2000年,大约什么时候JMP 5和联合管理计划6是出去。
联合管理计划有添加这能力到提供能力分析
为了非普通的分布。
能力分析是A非常重要的工具
为了评估无论A制造业过程是”有能力的”
的交付产品那是之内规格。
联合管理计划用户通缉到决定这 ”最好的分配”为了这数据
所以他们的过程能力指标会最好的反映这现实
的他们的情况。
联合管理计划顾客明白了那你可以合身不同的分布和联合管理计划
和知道那许多的这分布来了和A拟合优度测试在A案件
的拥有A锤子引起你到寻找指甲到处。
他们是试全部这分布他们可以寻找和是选择这一
和这最大的p 值作为这分配
为了他们的能力分析。
他们通缉我们到编纂这进入A新的合身全部分布特征
那会自动化这过程为了他们。
但我们是相当不舒服和这要求为了A数字的原因。
为了一事物，这不同的分布适合联合管理计划
来了和不同的种类的拟合优度测试。
这普通的有A夏皮罗-威尔克测试。
这威布尔有A克拉梅尔-冯·米塞斯测试，和这对数正态分布有A科尔莫戈洛夫测试。
它是非常奇怪的到比较测试
那是相当不同的从一其他。
其他问题和这方法是那分布和更多的参数
是去到趋向到有一个边缘在那些和更少。
如果我们选择这分配基于在这最大的p 值，
它将要总是青睐分布
和更多的参数作为我们看这里和这二-范围普通的比较的
和这四-范围约翰逊苏分配。
然后为了一些的这分布
喜欢这威布尔氏克莱默冯米塞斯瓦测试，
我们仅有的有桌子价值观的p 值去向上到某物喜欢磷等于25.
但甚至如果我们综合全部这拟合优度测试向下
到只是一和得到准确的p 值为了全部的他们，
有仍然A更大哲学的问题在赌注和那是那假设测试
喜欢这些能仅有的量化证据反对这无效的假设。
如果这无效的假设是真的，
然后这p 值是A均匀地分散式随机的多变的。
在其他字，如果这无效的假设是真的，
然后这可能性那这p 值是之间0.1和0.2是确切地
这相同的作为这可能性那它是之间0.8和0.9。
S埃英A p 值的0.9不是更多的证据那这假设
是真的比A p 值的0.3。
返回到我们的例子，因为全部四的这些分布
有天哪-的-合身p 值更大比0.05。
通过这镜片，全部四分布
合身这数据合理地出色地，甚至尽管这拟合优度测试说
全部这分布是好的，这结论关于这过程
生成这数据是不同的取决于在这分配。
如果你使用A顶峰参考价值的1.33
到决定如果这过程是有能力的，然后选择这可行的表示
那这过程是不是充分地有能力的到见面这规格，
然而这其他分布表明那这过程是有能力的。
我们认出那那里有到是A更好的方式到决定
这分配自动地和来了到这结论
那这应该是见过作为A非常基本的种类的模型选择问题。
在我们的搜索为了A声音方法为了选择A分配，
我们绊倒了之上这非常好的书在模型选择经过伯纳姆和安德森.
他们给小心推导的这航空工业协会从这观点
的信息，理论，和交叉验证。
他们还给A推导的这商业银行进入如何这航空工业协会能是衍生的
在这相同的方式和A不同的假设关于这事先的分配。
伯纳姆和安德森还小心展示
假设测试是相当不连贯的作为A模型选择战略。
这书有A漂亮的大的影响在我的自己的意见的造型
和还在联合管理计划统计造型平台。
返回到这分配选择问题为了这片刻，
什么时候我们去先和添加A分配选择器，
我们结束了向上呼叫它合身全部和我们根据它在这AICc。
这里在这左边，
我们有二分布的这能力分析数据
我们是看着在前，这普通的和这约翰逊苏。
这约翰逊苏氏拟合优度p 值是更大比这正常的因为它有
二更多的参数比这普通的分配。
现在在这正确的，
我们看这结果的A合身全部使用这AICc。
这普通的来了出去作为这最好的-配件分配，
但这苏约翰逊是靠近这底部。
这是因为这AICc是惩罚性的它为了拥有这些二额外的参数。
这特征有现在到过用过的许多，许多次
和我相信人们是一般来说漂亮的快乐的和它。
现在我是去到去通过
A有些马西但希望无障碍解释
的什么这AICc真的是。
全部正确的。
现在我是去到去进入一些基本的理论在后面这AIC。
患病的是作为简短的作为可能的和使用这最好的类比作为我能，
但我思考它是重要的到是裸露到这潜在的概念所以你能看
那这航空工业协会有A严格的基础那有一些感觉到它。
这AIC-类型选择标准是基于在A距离-类型公制
之间可能性分布被称为这库尔贝克-莱布勒或者吉隆坡分歧。
它量化这数量
的信息丢失的经过使用可能性分配二
一可能性分配一是这正确的一。
吉隆坡分歧有这财产的总是存在更大比或者平等的到零
和是仅有的平等的到零什么时候这二可能性分布
是这相同的。
这是到说那使用这错误的分配总是线索
到A理论上可量化，严格地积极的信息损失。
这是漂亮的令人兴奋的抽象的东西，
所以我是去到翻译它进入这语言的统计造型。
什么时候我们是使用数据在统计数据到学习关于如何某物作品，
我们是明确地或者隐含地配件可能性楷模到这数据
到近似这真的模型那生成的它。
如果我们知道这真的可能性生成机制，我们可以使用这吉隆坡分歧
到量化如何远的或者如何错误的这模型是从这真相。
我们可以然后尝试一些楷模和寻找这一那是这最接近的
到这真相。
赤池认可的这和堵塞这真的
和这模型可能性公式进入这吉隆坡分歧公式
和用过的A小的代数到看那这吉隆坡分歧有二条款。
这第一的学期仅有的包含这真的可能性-生成机制
为了这数据，哪个我们能绝不知道自从我们能仅有的工作和楷模。
然而，这是A持续的那是这相同的为了全部楷模
那你合身到这数据
作为长的作为我们玩经过A夫妻简单的规则。
这第二学期是什么赤池发现是经验地可估计的和和A很多
的数学，他成立A简单的公式到估计这第二学期。
在特别的，
他发现那二次这吉隆坡分歧是平等的到A持续的
那是这相同的为了全部楷模，加二次这消极的对数似然
的这数据用过的到合身这模型，加二次这数字的参数。
一切有到过乘以经过A因素的二只是到跟随这相同的习俗
作为A可能性比率测试，自从这持续的学期是这相同的
为了全部楷模作为长的作为我们不改变
这回复数据，我们能合身一些楷模，
和这一谁的航空工业协会是这最小的是这一那是估计的
到有这最小的K L分歧从这真相和在A感觉是这一
那是这至少错误的。
使用这航空工业协会为了模型选择是完全类似的到那里存在
A收藏的岛屿和你想到知道哪个的这岛屿你知道的
是最接近的到其他岛那你知道你会绝不是有能力的
到得到到。
这直接的解决方案到这问题会是到计算这距离
从每个的这岛屿到这一那我们想到得到关闭到。
现在，什么如果这岛我们通缉到得到关闭到曾是包围
经过A圆高的栅栏那我们可以方法？
这岛是完美在这中间的这栅栏，
所以这距离从这中心的这岛到这栅栏
是总是这相同的。
但这栅栏曾是远的足够的离开从这岛那它封闭的
那我们不能看它或者措施这距离
从这栅栏到这内部的岛。
我们能仍然估计这距离从每个岛到这栅栏。
因为这主要的岛是在这中心的这栅栏，
我们知道那这岛最接近的到这栅栏是这最接近的岛。
这是确切地这情况和这AIC。
和这工商局,我们能估计这距离从这真相到每个的这楷模。
每个航空工业协会估计是离开经过这相同的数量。
尽管我们不能估计这绝对距离的这楷模
从这真相，我们能知道哪个模型是这最接近的
在A相对的感觉。
这原来的航空工业协会是基于
在这可能性的这训练数据加A范围惩罚。
这训练可能性评估这善良的-合身的这模型。
我们不能使用这学期经过本身尽管，因为它是有偏见的向下
作为这模型参数是选择的到最小化
这消极的对数可能性。
和A很多的数学，赤池衍生的A非常简单的表达
那纠正为了这偏见。
这原来的惩罚是只是2 K
在哪里K 是这全部的数字的估计的参数。
为了线性回归和A坡
和一个截距，我们还有到数数这方差。
为了那案件你会有K等于三和不是二。
那里是重要的假设那引领到2 K惩罚。
我们能表征他们松散地那这模型有到是合理地好的。
这航空工业协会是仍然去到是强壮的然而，因为如果A模型是坏的，
然后这可能性成分将要是大的和将要支配
这惩罚其中这好的楷模。
这2K学期将要青睐这较小楷模作为长的
作为这样本尺寸是大的。
然而，它没有拿长的为了人们到寻找那这原来的航空工业协会
经常节目楷模那过拟合在小的样品，
所以A更多的准确的，更高-命令近似到这偏见曾是衍生的。
什么时候这额外的学期是添加，
这标准变成已知的作为这AICc或者这已纠正AIC。
很遗憾，这名声那这航空工业协会过拟合
有变得平凡前这更正曾是发现
和广泛已知的关于。
这更正变成无穷作为K接近N
推动这模型选择标准离开从楷模那是几乎饱和。
注意还那这更正学期去到零作为氮去到无穷。
在大的样品这航空工业协会和AICc是相等的。
这AICc是什么我们报道在王牌因为它作品出色地为了小的样品
和虽然它曾是衍生的为了高斯分布，
经验建议那它是好的足够的和其他通常用过的分布。
现在我是去到阐明这AICc
在A真实的例子那曾是A五-因素中央合成的设计和31运行，
和这回复曾是这数量的p脱氧核糖核酸产生的经过A生物反应器。
患病的阐明这AICc使用这广义的回归平台，
给予它A满的回复表面模型
和全部主要的效果互动和第二-命令条款。
我合身四楷模到这数据。
一是A满的回复表面模型使用至少正方形那曾是合身自动地。
然后我使用向前选择
在下面这普通的，对数正态，和指数分布。
我选择了这指数分配到阐明贫穷的模型合身。
这楷模有2 2, 9, 9,和1参数分别，
和这模型和这最低AICc曾是这日志N正常的和一个AICc
的关于334.8。
我们能休息这航空工业协会和AICc计算
向下到看如何不同的部分的这惩罚是贡献。
这满的至少正方形模型
有这最低可能性，但这最高AICc全面的。
什么时候我们看在这第二-命令更正和这原来的航空工业协会价值观，
我们看那它是这第二命令更正学期那是推动
这模型选择标准到是非常大的为了这模型。
这日志N正常的向前选择日志可能性是A小的降低
比这普通的向前选择一。
他们两个都有九参数，所以他们的处罚是这相同的
和这日志N正常的向前选择模型有这降低AICc。
这指数向前选择模型有这最穷的模型合身作为测量的
经过这对数可能性，但还仅有的有一范围
在这模型。
全面的它有这最小的惩罚贡献到这AICc。
但这贫穷的合身的这模型是这样的那这可能性占主导地位
和这指数模型是这第二从这最糟糕的作为测量的经过这AICc。
如果你审查这一般的推导
的这航空工业协会在这伯纳姆和安德森书，
你会看那什么它是实际上估计的是这预期的价值
的A假想测试放可能性为了A数据放那有这相同的尺寸
和回复结构，但不是价值观作为这训练放。
这预期的价值观还拿进入考虑这变化性
在这估计的这最大LE。
我寻找这交叉验证解释的这航空工业协会
到是漂亮的引人注目的。
我思考它是还重要的到观点出去那这交叉验证推导
的这航空工业协会做不是认为在全部那我们有这正确的模型。
到展示那这交叉验证解释真的作品，
我已创建A模拟公式使用一个平均的的这楷模我有显示
在这以前的幻灯片作为出色地作为一些其他那些。
这方式我们知道那没有任何的这楷模是实际上这正确的一。
我合身每个的这四楷模到新的训练数据A千次
和放它向上所以那工作会报告一个独立的坚持可能性
使用其他新的数据放。
我保留每个的这四楷模结构
和分布完好无损的和做过不是申请多变的选择。
这曾是到完美模仿这精确的交叉验证解释
的这AIC。
从那里，我已创建A桌子的模拟的
坚持可能性和计算的他们的平均的为了每个的这四楷模。
这是这航空工业协会和AICc概括桌子从前，
和这模拟-基于平均的坚持对数似然
添加超过这里到这正确的，你能看那这满的普通的模型
坚持可能性是非常关闭到它是AICc价值
和那这第二-命令更正学期曾是基本的为了这匹配到发生。
在这其他手，
你看那这模拟的平均的指数坚持对数似然
是还非常关闭到这AICc。
两个都这普通的和日志N正常的坚持可能性是关闭
到这原来的日志普通的型号A ICc。
这普通的坚持可能性是A小的较小。
我属性这到平均A束的模拟楷模，
制作这模拟的数据A小的少量更多的通常情况下分散式
比这原来的数据曾是。
那里是A夫妻简单的规则那是需要的到制作AICc比较
真的有效的之间不同的楷模。
这最多重要的是那这随机部分的这数据
有到停留这相同的，这相同的行有到是用过的
和它是这是的在特别的那必须是这相同的。
这X 的能是不同的，的课程，甚至如果他们是起初随机的，
不是仅有的必须这是的是这相同的，但他们不能是改变了或者转变了。
这转换会有到是建成进入这模型适当地。
这航空工业协会是还仅有的定义的
为了表现良好最大限度可能性估计器
和其他密切有关的方法。
这解释为什么你不看AICc
为了神经的网络和其他机器学习楷模。
还，你有到保持在头脑那只是因为你成立A模型那这AICc
说是这最好的，它不意思是那它是A好的模型。
使用你的过去的经验和模型诊断地块到确保
那这模型是正确的足够的到是有用。
返回到这质粒DNA数据，我们看二相等的楷模。
在这顶部，我们有A日志N正常的模型
和在这底部我们有A普通的合身到这日志-转变的回复。
你能看那这广义的RS夸雷斯
是这相同的为了这些二楷模，但这AICcs是非常不同的。
这是因为这日志N正常的合身
隐含地构建这转换进入这可能性。
但这日志规模普通的合身做不是。
在这案件，这正确的事物到使用是这日志N正常。
这是A快的示范那你有到决定这分配
和这输入变量在这相同的时间。
这里是模拟的数据从A tt美东时间类型模型
二团体的通常情况下分散式数据和这相同的方差，
但不同的方法。
如果你合身全部在这分配平台，
它选择这普通的二混合物和一个AICc的1036.
这是这正确的分配
如果你不知道这团体身份的这行。
一次你包括这分组多变的尽管，
你看那这普通的来了出去在顶部的一个AICc的第717章或者所以。
我们还尝试过这威布尔对数正态分布
和伽玛和这普通的仍然来了出去在顶部，甚至尽管那些分布
做过更好的在分配没有包括这分组多变的。
你有到尝试不同的模型结构
和分布一起到寻找这正确的组合。
现在我是去到改变齿轮和讲话A小的少量关于这银行国际代码,
哪个是这其他主要的分析性的模型选择标准和JMP。
这BIC 是有动力在A完全地不同的方式
比这AIC。
施瓦茨用过的A大的样本争论在A贝叶斯语境到近似
这日志可能性的这数据后拥有融合的这模型出去，
假设A平坦的事先的在这参数，一个表达相似的到这航空工业协会持久性有机污染物出去
和A K日志在类型惩罚学期相当比二次k.
那里是还其他条款在这不可缺少的那是总是被忽略。
一是K日志2圆周率,哪个曾是经过考虑的也小的
到交易和和这其他一
是A归一化方差的这最大LE，哪个会还是的订单 K。
我没有学习这航空工业协会或者银行代码在任何深度在学校。
我只是记住听力这避免航空工业协会过拟合，
BIC下适合一些次在不同的课程，
哪个我解释的作为A强的怀疑论关于两个都的他们。
比较这AICc和BIC 处罚，我们看那这AICc将要防止
大的楷模从存在选择的什么时候这样本尺寸是小的，
然而这商业银行将要仍然允许大的楷模。
我看这K日志和正常化持续的惩罚在这BIC 作为有些
较少的引人注目的比这交叉验证解释的这AIC-类型处罚。
某物那线索
到A边缘可能性的这数据是更多的抽象的到我比某物
那是直接地可解释的作为A交叉验证公制
采取进入帐户范围不确定。
我是完全意识到的
那我是社论这里，但这是什么是工作过出色地
为了我所以远的。
返回到这p脱氧核糖核酸美国能源部一更多的时间。
这里是这相同的楷模合身在这质粒DNA例子
使用这BIC优先选择在顶部和这AICc在这底部。
注意那这银行代码这满的普通的模型
是不是作为远的离开从这其他楷模作为和这AICc。
这最好的模型全面的作为额定经过这商业银行是A对数正态，
但和13参数这时间大约相当比九。
这向前已选择BIC正常模型还有A夫妻更多的参数。
在小的样品，相反到这航空工业协会过拟合，
BIC下适合，这AICc能选择较小楷模比这商业银行在小的样品。
这里我们看这效果选择的经过这BIC 和这AICc。
这放的BIC精选效果是A超组的这那些选择的
经过这AICc。
A伊索注意，有趣的是，那全部四效果不是选择的
经过这AICc是统计上BIC 下具有重要意义。
在下面这银行国际代码,这pH值平方学期是高度重要的，
但它不是展示在这AICc模型，为了例子。
我会说那全部这重要的效果
应该有星号经过他们，
但全部重要的p 值有星号经过他们在 J国会议员报告。
反而，患病的只是说那我拿p 值的效果
后选择和A粮食的盐。
虽然这二楷模选择不同的效果，
一些的他们高度统计上重要的在这模型。
如果我们看在这轮廓
或者多变的重要性从这些二楷模，
他们告诉A非常相似的故事。
喂养速度是经过远的这最多重要的
和后那这订购是这相同的之间这二楷模。
仅pH值影响3%的这变化在这回复表面在下面这商业银行
最好的模型和不是包括在全部在这AICc最好的模型。
这是A非常清除例子
的统计意义和实际的关联
存在二不同的事物。
那里是A很多的意见出去那里关于这AICc和这BIC。
为了例子，伯纳姆和安德森
说那两个都方法是持续的为了这准真的模型作为氮去
到无穷。
但然后有其他的那说
那这BIC 是这仅有的一持续的为了这真相。
伯纳姆和安德森说那你能放向上模拟到制作一看好的，
改变这方式它是放向上A小的少量和它会翻动这结果。
伯纳姆和安德森，
WHO是关于这最多死硬死硬的顽固的AICc粉丝出去那里在他们的模拟，
成立那这AICc选择更少真的坏的楷模比这BIC。
我思考它是不是A坏的主意到看在两个都BIC 和AICc
后申请多变的选择。
如果这最好的楷模在下面两个都是漂亮的很多这相同的，哪个是经常这案件，
你能感觉漂亮的好的关于任何一个的他们，如果他们是不同的
它是好的到思考关于这原因为什么和使用你的主题事情专业知识
到帮助制作A决定。
我的最后的话题是模型选择标准和线性混合的楷模。
这是A漂亮的复杂的情况，尤其因为那里不是共识
之间软件供应商在如何到计算这模型选择标准。
到阐明这，我已创建A分裂阴谋设计和四因素。
那里是二所有的阴谋效果和二分裂阴谋影响。
如果你拿这相同的数据和合身这相同的模型在联合管理计划专业版
和SAS使用合身混合的和过程混合,
你将要看那这可能性和模型选择标准不匹配，
但这方差估计做，你得到不同的固定的效果
范围估计，但这固定的效果测试同意。
一的这原因为了这是那联合管理计划和SAS固定的效果设计矩阵
使用A不同的编码战略为了绝对的影响。
在这左边我有这联合管理计划设计矩阵为了这分裂阴谋例子，
和在这正确的你看这SAS一。
联合管理计划创造A排的减那些
为了这最后的等级的绝对的效果哪个是见过在蓝色的这里
然而SAS创造A排的零。
两者都不一的这些是正确的或者错误的。
它是喜欢改变单位或者改变协调系统。
联合管理计划绝对的效果和到零，然而SAS绝对的效果
能是解释的作为差异从这最后的等级。
虽然这生的范围估计不同，
预测将要是这相同的之间这二编码因为这楷模
是从根本上相等的。
最多事物那事情
惯于是不同的之间这二软件产品。
然而，雷姆方法用过的到估计混合的效果楷模
有一个歧义在它。
这根据高斯可能性在这顶部
将要是这相同的在任何一个软件因为它是A真实的可能性。
但这雷姆或者剩余的可能性报道经过过程混合的
和联合管理计划专业人士的合身混合的不是A真实的可能性。
如果它曾是A真实的可能性，然后我们会得到这相同的价值观
不管的哪个编码或者软件我们用过的。
这是因为有一个额外的惩罚添加到这高斯可能性
为了雷姆那减少这偏见的这方差估计。
但这依靠在这设计矩阵
在A方式那是敏感的到这编码用过的。
联合管理计划报告，这生的高斯可能性，和这AICc和BIC 那个它报告
是基于在那相当比这剩余的可能性。
这数字的参数合身混合的计数
是这全部的包括两个都固定的效果和方差参数。
我们做过它这方式到制作它所以那你能使用联合管理计划到比较楷模
和不同的固定的-影响结构作为出色地作为方差楷模。
在北欧航空公司，他们仅有的报告这剩余的或REML对数似然
和它报告模型选择标准基于在它。
你能看这里那它还仅有的计数方差参数作为出色地
因为这不同之处之间这SAS可能性
和它是航空工业协会是为了暗示着二参数，
A方差成分和A剩余的。
全部这方法是那
你能仅有的使用 p鹏混合的为了比较方差楷模
和这航空工业协会因为这模型选择标准
包括这雷姆惩罚和它是仅有的数数方差参数。
和全部到期的尊重，
我能思考的一些好的原因为了这SAS方法，
和那里是大概一些其他好的原因我不甚至知道的。
但我亲自更喜欢这灵活性提供的经过这联合管理计划方法。
到总结，如果你比较结果穿过软件
为了非混合的楷模，这意思是范围估计可能不同，
但否则一切别的应该是这相同的。
作为长的作为这软件计算
这常量和这可能性正确地作为联合管理计划做。
什么时候我们得到到高斯混合的楷模，
那里是非常重要的软件差异
和这范围的这决定你能制作关于这楷模
使用这软件可能是非常不同的
取决于在这细节的如何它是可能性是计算出来的。
联合管理计划模型选择标准
是可比两个都之内这相同的平台
和穿过其他造型平台。
患病的关闭和这滑动，哪个给出我的基本的建议
为了申请这工具讨论过今天。
假设测试是A工具为了什么时候你需要到证明某物
和是最好的用过的在情况什么时候你有A好的主意
的这模型结构在进步。
什么时候你是在职的在A问题在行业和这样本尺寸是小的，
我会戳到古典统计楷模
和使用这AICc作为这基本的工具为了选择之间他们。
和更大数据套，什么时候我有足够的数据到抓住出去
在至少A第三的这观察，我使用坚持交叉验证到比较
古典统计楷模作为出色地作为机器学习楷模。
在我的自己的工作，我趋向到避免K-折叠交叉验证
和它是方差。
这模型选择标准是相等的到它在更大样品，
和我趋向到戳和更简单楷模和较小数据套。
我知道那不是每个人是去到同意和我在这，
但这是什么作品为了我和是A漂亮的安全的方式
到方法模型选择。
选择这最多有用模型从A放的备择方案那必须全部是错误的
在一些等级是一个重要的决定，和这些是这主要的考虑因素
我有什么时候决定之上A模型选择战略。
感谢你为了你的注意力和我看向前到说和你
在这见面这专家会议。
