這最多著名的引用在全部的統計數據是喬治盒子的
「全部楷模是錯誤的，但一些是有用。”
我有聽到這引用在幾乎每一個會議
我有曾經到過到，和因為的這，
到我的回憶，我有實際上避免的使用這引用在任何演講前。
但什麼時候我看起來向上
這第一的時間它曾是曾經放在列印,它曾是在A 1976年雜誌
的這美國人統計協會文章。
它是成立在A部分被稱為儉樸。
立即地後那第一的實例
的這引用，他會談關於這重要性的發現
這最簡單的模型那描述這觀察到的現象。
這金額到發現楷模那提供A合理的平衡
的擬合優度相對模型複雜和是確切地
什麼我是去到是說關於今天在這推介會。
聯合管理計劃和聯合管理計劃專業版提供A很多的不同的造型能力，
每個和A很多的輸出有關的到選擇A模型。
今天我是去到去進入一些細節進入一些的這最多重要的的這些，
突出顯示他們的動機和這假設在後面他們。
A很多的這討論將要是關於這AICc和BIC模型選擇標準，
哪個是直接的和非常數據-高效率的工具為了尋址這問題。
盒子有在頭腦和他的引用，
哪個是如何到尋找A有用模型從A放的有缺陷的或者錯誤的那些。
作為我曾是推桿這推介會一起，
我去透過這推導的這航空工業協會和這比克。
我通緝到得到A清除理解
的什麼這些相似的-看著方法真的是和什麼假設他們製成。
然後，出去的好奇心，
我做過一個網際網路搜尋的航空工業協會相對BIC 與交叉驗證。
它曾是有趣的到看在全部這些網際網路形式那那裡是仍然
所以很多辯論，甚至儘管這些方法有到過大約為了50年。
擁有最近已審查這推導的這方法，
它看起來喜歡那裡是仍然A很多的誤解出去那裡。
我思考這原因為了這是那兩個都模型選擇標準
有非常深的和技術的推導
儘管這簡單的他們的公式，兩個都的他們是平等的到減二次
這對數似然的這已安裝模型，
加A簡單的懲罰基於在這數位的模型參數。
你不能猜測這原因
為了這懲罰條款從這公式獨自的，
哪個使他們似乎神秘和隨意的。
一的我的目標今天是到嘗試
到揭開神秘面紗這些沒有去落水在這數學。
到放這全部在這情境的一個分析工作流程，
我們能思考的一個分析專案作為擁有四主要的腳步。
我們第一的有到獲得這數據，得到它有組織的和清潔過的向上。
然後我們合身一些楷模到它在A方式
那是任何一個手動的或者自動化的經過軟體喜歡聯合管理計劃或者聯合管理計劃親。
一次我們已經完畢那，然後我們需要到選擇一的他們
作為這模型那是去到工作和移動向前。
這是A批判的步在這過程那出色地是聚焦在今天。
它是重要的那我們得到這模型選擇正確的
因為這品質的這結果和這結論我們製作
在這結尾需要那我們有A合理地好的模型。
這裡是這主要的方法那我有見過人們製作決定關於楷模。
假設測試是大概這第一的一人們學習關於。
這些是最多通常用過的到決定如果A回歸係數
是統計上顯著地不同的從零，
哪個聲音喜歡A模型選擇問題。
儘管他們是常用過的在那方式，
假設測試是衍生的在下面A具體的放的假設
那明確地做不是帳戶為了擁有改變了這模型
或者擁有用過的A模型那曾是選擇的作為這最好的
其中一些備擇方案。
然後我們有這一般的經驗程式那評估楷模基於
在數據握住出去從這模型配件過程。
這些技巧能是應用到兩個都古典統計楷模
作為出色地作為機器學習楷模。
在我的觀點，堅持驗證，在特別的，是這方式到去
如果你有A所有的很多的數據。
然後我們有什麼全部被稱為這小的數據分析性的程式.
這些是衍生的為了情況什麼時候你有到製作A決定
關於哪個模型到使用，但你不有足夠的數據
到抓住出去任何觀察。
這最多通常用過的的這些是這航空工業協會和這BIC。
但那裡是其他出色地-已知的技巧
喜歡廣義C交叉驗證和錦葵C P。
它輪流出去那這些二是實際上漸近地相等的
到這工商局,所以在大的樣品你應該得到這相同的結論從GCV,
錦葵的CP,和這工商局,在特別的，為了在至少正方形-基於楷模。
然後我們也有什麼患病的稱呼模型-具體的方法喜歡貴賓
和部分地方塊楷模和這立方體聚類標準
在聚類中楷模。
這些是漂亮的利基和我慣於是說關於他們任何更多的這裡今天。
然後我們也有視覺的工具喜歡實際由預料到的地塊
和鵬曲線。
不管的如何你選擇你的模型，
這些地塊是好的到拿A看在前移動向前和A模型
因為他們提供更多的有趣的資訊
比任何個人統計將要和能告訴我們如果這最好的模型
那我們已經經過考慮的所以遠的是仍然A好的足夠的模型為了我們到使用。
我的自己的第一的遇到和模型選擇標準在我的專業的生活
曾是後退在這中- 2000年,大約什麼時候JMP 5和聯合管理計劃6是出去。
聯合管理計劃有添加這能力到提供能力分析
為了非普通的分佈。
能力分析是A非常重要的工具
為了評估無論A製造業過程是」有能力的”
的交付產品那是之內規格。
聯合管理計劃使用者通緝到決定這 ”最好的分配”為了這數據
所以他們的流程能力指標會最好的反映這現實
的他們的情況。
聯合管理計劃顧客明白了那你可以合身不同的分佈和聯合管理計劃
和知道那許多的這分佈來了和A擬合優度測試在A案件
的擁有A錘子導致你到尋找指甲到處。
他們是試全部這分佈他們可以尋找和是選擇這一
和這最大的p 值作為這分配
為了他們的能力分析。
他們通緝我們到編纂這進入A新的合身全部分佈特徵
那會自動化這過程為了他們。
但我們是相當不舒服和這要求為了A數位的原因。
為了一事物，這不同的分佈適合聯合管理計劃
來了和不同的種類的擬合優度測試。
這普通的有A夏皮羅-威爾克測試。
這威布爾有A克拉梅爾-馮·米塞斯測試，和這對數常態分佈有A科爾莫戈洛夫測試。
它是非常奇怪的到比較測試
那是相當不同的從一其他。
其他問題和這方法是那分佈和更多的參數
是去到趨向到有一個邊緣在那些和更少。
如果我們選擇這分配基於在這最大的p 值，
它將要總是青睞分佈
和更多的參數作為我們看這裡和這二-範圍普通的比較的
和這四-範圍約翰遜蘇分配。
然後為了一些的這分佈
喜歡這威布爾氏克萊默馮米塞斯瓦測試，
我們僅有的有桌子價值觀的p 值去向上到某物喜歡磷等於25.
但甚至如果我們綜合全部這擬合優度測試向下
到只是一和得到準確的p 值為了全部的他們，
有仍然A更大哲學的問題在賭注和那是那假設測試
喜歡這些能僅有的量化證據反對這無效的假設。
如果這無效的假設是真的，
然後這p 值是A均勻地分散式隨機的多變的。
在其他字，如果這無效的假設是真的，
然後這可能性那這p 值是之間0.1和0.2是確切地
這相同的作為這可能性那它是之間0.8和0.9。
S埃英A p 值的0.9不是更多的證據那這假設
是真的比A p 值的0.3。
返回到我們的例子，因為全部四的這些分佈
有天哪-的-合身p 值更大比0.05。
透過這鏡片，全部四分佈
合身這數據合理地出色地，甚至儘管這擬合優度測試說
全部這分佈是好的，這結論關於這過程
產生這數據是不同的取決於在這分配。
如果你使用A頂峰參考價值的1.33
到決定如果這過程是有能力的，然後選擇這可行的表示
那這過程是不是充分地有能力的到見面這規格，
然而這其他分佈表明那這過程是有能力的。
我們認出那那裡有到是A更好的方式到決定
這分配自動地和來了到這結論
那這應該是見過作為A非常基本的種類的模型選擇問題。
在我們的搜尋為了A聲音方法為了選擇A分配，
我們絆倒了之上這非常好的書在模型選擇經過伯納姆和安德森.
他們給小心推導的這航空工業協會從這觀點
的資訊,理論，和交叉驗證。
他們也給A推導的這商業銀行進入如何這航空工業協會能是衍生的
在這相同的方式和A不同的假設關於這事先的分配。
伯納姆和安德森也小心展示
假設測試是相當不連貫的作為A模型選擇戰略。
這書有A漂亮的大的影響在我的自己的意見的造型
和也在聯合管理計劃統計造型平台。
返回到這分配選擇問題為了這片刻，
什麼時候我們去先和添加A分配選擇器，
我們結束了向上呼叫它合身全部和我們根據它在這AICc。
這裡在這左邊，
我們有二分佈的這能力分析數據
我們是看著在前，這普通的和這約翰遜蘇。
這約翰遜蘇氏擬合優度p 值是更大比這正常的因為它有
二更多的參數比這普通的分配。
現在在這正確的，
我們看這結果的A合身全部使用這AICc。
這普通的來了出去作為這最好的-配件分配，
但這蘇約翰遜是靠近這底部。
這是因為這AICc是懲罰性的它為了擁有這些二額外的參數。
這特徵有現在到過用過的許多，許多次
和我相信人們是一般來說漂亮的快樂的和它。
現在我是去到去透過
A有些馬西但希望無障礙解釋
的什麼這AICc真的是。
全部正確的。
現在我是去到去進入一些基本的理論在後面這AIC。
患病的是作為簡短的作為可能的和使用這最好的類比作為我能，
但我思考它是重要的到是裸露到這潛在的概念所以你能看
那這航空工業協會有A嚴格的基礎那有一些感覺到它。
這AIC-類型選擇標準是基於在A距離-類型公制
之間可能性分佈被稱為這庫爾貝克-萊布勒或者吉隆坡分歧。
它量化這數量
的資訊遺失的經過使用可能性分配二
一可能性分配一是這正確的一。
吉隆坡分歧有這財產的總是存在更大比或者平等的到零
和是僅有的平等的到零什麼時候這二可能性分佈
是這相同的。
這是到說那使用這錯誤的分配總是線索
到A理論上可量化，嚴格地積極的資訊損失。
這是漂亮的令人興奮的抽象的東西,
所以我是去到翻譯它進入這語言的統計造型。
什麼時候我們是使用數據在統計數據到學習關於如何某物作品，
我們是明確地或者隱含地配件可能性楷模到這數據
到近似這真的模型那產生的它。
如果我們知道這真的可能性產生機制，我們可以使用這吉隆坡分歧
到量化如何遠的或者如何錯誤的這模型是從這真相。
我們可以然後嘗試一些楷模和尋找這一那是這最接近的
到這真相。
赤池認可的這和堵塞這真的
和這模型可能性公式進入這吉隆坡分歧公式
和用過的A小的代數到看那這吉隆坡分歧有二條款。
這第一的學期僅有的包含這真的可能性-產生機制
為了這數據，哪個我們能絕不知道自從我們能僅有的工作和楷模。
然而，這是A持續的那是這相同的為了全部楷模
那你合身到這數據
作為長的作為我們玩經過A夫妻簡單的規則。
這第二學期是什麼赤池發現是經驗地可估計的和和A很多
的數學，他成立A簡單的公式到估計這第二學期。
在特別的，
他發現那二次這吉隆坡分歧是平等的到A持續的
那是這相同的為了全部楷模，加二次這消極的對數似然
的這數據用過的到合身這模型，加二次這數位的參數。
一切有到過乘以經過A因素的二只是到跟隨這相同的習俗
作為A可能性比率測試，自從這持續的學期是這相同的
為了全部楷模作為長的作為我們不改變
這回覆數據，我們能合身一些楷模，
和這一誰的航空工業協會是這最小的是這一那是估計的
到有這最小的K L分歧從這真相和在A感覺是這一
那是這至少錯誤的。
使用這航空工業協會為了模型選擇是完全類似的到那裡存在
A收藏的島嶼和你想到知道哪個的這島嶼你知道的
是最接近的到其他島那你知道你會絕不是有能力的
到得到到。
這直接的解決方案到這問題會是到計算這距離
從每個的這島嶼到這一那我們想到得到關閉到。
現在，什麼如果這島我們通緝到得到關閉到曾是包圍
經過A圓高的柵欄那我們可以方法？
這島是完美在這中間的這柵欄，
所以這距離從這中心的這島到這柵欄
是總是這相同的。
但這柵欄曾是遠的足夠的離開從這島那它封閉的
那我們不能看它或者措施這距離
從這柵欄到這內部的島。
我們能仍然估計這距離從每個島到這柵欄。
因為這主要的島是在這中心的這柵欄，
我們知道那這島最接近的到這柵欄是這最接近的島。
這是確切地這情況和這AIC。
和這工商局,我們能估計這距離從這真相到每個的這楷模。
每個航空工業協會估計是離開經過這相同的數量。
儘管我們不能估計這絕對距離的這楷模
從這真相，我們能知道哪個模型是這最接近的
在A相對的感覺。
這原來的航空工業協會是基於
在這可能性的這訓練數據加A範圍懲罰。
這訓練可能性評估這善良的-合身的這模型。
我們不能使用這學期經過本身儘管，因為它是有偏見的向下
作為這模型參數是選擇的到最小化
這消極的對數可能性。
和A很多的數學，赤池衍生的A非常簡單的表達
那修正為了這偏見。
這原來的懲罰是只是2 K
在哪裡K 是這全部的數位的估計的參數。
為了線性回歸和A坡
和一個截距，我們也有到數數這方差。
為了那案件你會有K等於三和不是二。
那裡是重要的假設那引領到2 K懲罰。
我們能表徵他們鬆散地那這模型有到是合理地好的。
這航空工業協會是仍然去到是強壯的然而，因為如果A模型是壞的，
然後這可能性成分將要是大的和將要支配
這懲罰其中這好的楷模。
這2K學期將要青睞這較小楷模作為長的
作為這樣本尺寸是大的。
然而，它沒有拿長的為了人們到尋找那這原來的航空工業協會
常節目楷模那過擬合在小的樣品，
所以A更多的準確的，更高-命令近似到這偏見曾是衍生的。
什麼時候這額外的學期是添加，
這標準變成已知的作為這AICc或者這已糾正AIC。
很遺憾，這名聲那這航空工業協會過擬合
有變得平凡前這更正曾是發現
和廣泛已知的關於。
這更正變成無窮作為K接近N
推動這模型選擇標準離開從楷模那是幾乎飽和。
注意也那這更正學期去到零作為氮去到無窮。
在大的樣品這航空工業協會和AICc是相等的。
這AICc是什麼我們報道在王牌因為它作品出色地為了小的樣品
和雖然它曾是衍生的為了高斯分佈，
經驗建議那它是好的足夠的和其他通常用過的分佈。
現在我是去到闡明這AICc
在A真實的例子那曾是A五-因素中央合成的設計和31運行，
和這回覆曾是這數量的p脫氧核糖核酸產生的經過A生物反應器。
患病的闡明這AICc使用這廣義的回歸平台，
給予它A滿的回覆表面模型
和全部主要的效果互動和第二-命令條款。
我合身四楷模到這數據。
一是A滿的回覆表面模型使用至少方塊那曾是合身自動地。
然後我使用向前選擇
在下面這普通的，對數常態，和指數分佈。
我選擇了這指數分配到闡明貧窮的模型合身。
這楷模有2 2, 9, 9,和1參數分別，
和這模型和這最低AICc曾是這日誌N正常的和一個AICc
的關於334.8。
我們能休息這航空工業協會和AICc計算
向下到看如何不同的部分的這懲罰是貢獻。
這滿的至少方塊模型
有這最低可能性，但這最高AICc全面的。
什麼時候我們看在這第二-命令更正和這原來的航空工業協會價值觀，
我們看那它是這第二命令更正學期那是推動
這模型選擇標準到是非常大的為了這模型。
這日誌N正常的向前選擇紀錄可能性是A小的降低
比這普通的向前選擇一。
他們兩個都有九參數，所以他們的處罰是這相同的
和這日誌N正常的向前選擇模型有這降低AICc。
這指數向前選擇模型有這最窮的模型合身作為測量的
經過這對數可能性，但也僅有的有一範圍
在這模型。
全面的它有這最小的懲罰貢獻到這AICc。
但這貧窮的合身的這模型是這樣的那這可能性占主導地位
和這指數模型是這第二從這最糟糕的作為測量的經過這AICc。
如果你審查這一般的推導
的這航空工業協會在這伯納姆和安德森書，
你會看那什麼它是實際上估計的是這預期的價值
的A假想測試放可能性為了A數據放那有這相同的尺寸
和回覆結構，但不是價值觀作為這訓練放。
這預期的價值觀也拿進入考慮這變化性
在這估計的這最大LE。
我尋找這交叉驗證解釋的這航空工業協會
到是漂亮的引人注目的。
我思考它是也重要的到觀點出去那這交叉驗證推導
的這航空工業協會做不是認為在全部那我們有這正確的模型。
到展示那這交叉驗證解釋真的作品，
我已創建A模擬公式使用一個平均的的這楷模我有顯示
在這以前的幻燈片作為出色地作為一些其他那些。
這方式我們知道那沒有任何的這楷模是實際上這正確的一。
我合身每個的這四楷模到新的訓練數據A千次
和放它向上所以那工作會報告一個獨立的堅持可能性
使用其他新的數據放。
我保留每個的這四楷模結構
和分佈完好無損的和做過不是申請多變的選擇。
這曾是到完美模仿這精確的交叉驗證解釋
的這AIC。
從那裡，我已創建A桌子的模擬的
堅持可能性和計算的他們的平均的為了每個的這四楷模。
這是這航空工業協會和AICc概括桌子從前，
和這模擬-基於平均的堅持對數似然
添加超過這裡到這正確的，你能看那這滿的普通的模型
堅持可能性是非常關閉到它是AICc價值
和那這第二-命令更正學期曾是基本的為了這匹配到發生。
在這其他手，
你看那這模擬的平均的指數堅持對數似然
是也非常關閉到這AICc。
兩個都這普通的和日誌N正常的堅持可能性是關閉
到這原來的紀錄普通的型號A ICc。
這普通的堅持可能性是A小的較小。
我屬性這到平均A束的模擬楷模，
製作這模擬的數據A小的位元更多的通常情況下分散式
比這原來的數據曾是。
那裡是A夫妻簡單的規則那是需要的到製作AICc比較
真的有效的之間不同的楷模。
這最多重要的是那這隨機部分的這數據
有到停留這相同的，這相同的列有到是用過的
和它是這是的在特別的那必須是這相同的。
這X 的能是不同的，的課程，甚至如果他們是起初隨機的，
不是僅有的必須這是的是這相同的，但他們不能是改變了或者轉變了。
這轉換會有到是建成進入這模型適當地。
這航空工業協會是也僅有的定義的
為了表現良好最大限度可能性估計者
和其他密切有關的方法。
這解釋為什麼你不看AICc
為了神經的網路和其他機器學習楷模。
也,你有到保持在頭腦那只是因為你成立A模型那這AICc
說是這最好的，它不意思是那它是A好的模型。
使用你的過去的經驗和模型診斷地塊到確保
那這模型是正確的足夠的到是有用。
返回到這質粒DNA數據，我們看二相等的楷模。
在這頂部，我們有A日誌N正常的模型
和在這底部我們有A普通的合身到這紀錄-轉變的回覆.
你能看那這廣義的RS誇雷斯
是這相同的為了這些二楷模，但這AICcs是非常不同的。
這是因為這日誌N正常的合身
隱含地建構這轉換進入這可能性。
但這紀錄規模普通的合身做不是。
在這案件，這正確的事物到使用是這日誌N正常。
這是A快的示範那你有到決定這分配
和這輸入變數在這相同的時間。
這裡是模擬的數據從A tt美東時間類型模型
二團體的通常情況下分散式數據和這相同的方差，
但不同的方法。
如果你合身全部在這分配平台，
它選擇這普通的二混合物和一個AICc的1036.
這是這正確的分配
如果你不知道這團體身分的這行。
一次你包括這分組多變的儘管，
你看那這普通的來了出去在頂部的一個AICc的第717章或者所以。
我們也嘗試過這威布爾對數常態分佈
和伽瑪和這普通的仍然來了出去在頂部，甚至儘管那些分佈
做過更好的在分配沒有包括這分組多變的。
你有到嘗試不同的模型結構
和分佈一起到尋找這正確的組合。
現在我是去到改變齒輪和演講A小的位元關於這銀行國際代碼,
哪個是這其他主要的分析性的模型選擇標準和JMP。
這BIC 是有動力在A完全地不同的方式
比這AIC。
施瓦茨用過的A大的樣本爭論在A貝葉斯情境到近似
這紀錄可能性的這數據後擁有融合的這模型出去，
假設A平坦的事先的在這參數，一個表達相似的到這航空工業協會持久性有機污染物出去
和A K紀錄在類型懲罰學期相當比二次k.
那裡是也其他條款在這不可缺少的那是總是被忽略。
一是K紀錄2圓周率,哪個曾是經過考慮的也小的
到交易和和這其他一
是A歸一化變異數的這最大LE，哪個會也是的訂單 K。
我沒有學習這航空工業協會或者銀行代碼在任何深度在學校。
我只是記住聽力這避免航空工業協會過擬合，
BIC下適合一些次在不同的類，
哪個我解釋的作為A強的懷疑論關於兩個都的他們。
比較這AICc和BIC 處罰，我們看那這AICc將要防止
大的楷模從存在選擇的什麼時候這樣本尺寸是小的，
然而這商業銀行將要仍然允許大的楷模。
我看這K紀錄和正常化持續的懲罰在這BIC 作為有些
較少的引人注目的比這交叉驗證解釋的這AIC-類型處罰。
某物那線索
到A邊緣可能性的這數據是更多的抽象的到我比某物
那是直接地可解釋的作為A交叉驗證公制
採取進入帳戶範圍不確定。
我是完全意識到的
那我是社論這裡，但這是什麼是工作過出色地
為了我所以遠的。
返回到這p脫氧核糖核酸美國能源部一更多的時間。
這裡是這相同的楷模合身在這質粒DNA例子
使用這BIC優先選擇在頂部和這AICc在這底部。
注意那這銀行代碼這滿的普通的模型
是不是作為遠的離開從這其他楷模作為和這AICc。
這最好的模型全面的作為額定經過這商業銀行是A對數常態，
但和13參數這時間大約相當比九。
這向前已選擇BIC正常模型也有A夫妻更多的參數。
在小的樣品，相反到這航空工業協會過擬合，
BIC下適合，這AICc能選擇較小楷模比這商業銀行在小的樣品。
這裡我們看這效果選擇的經過這BIC 和這AICc。
這放的BIC精選效果是A超集的這那些選擇的
經過這AICc。
A伊索注意，有趣的是，那全部四效果不是選擇的
經過這AICc是統計上BIC 下具有重要意義。
在下面這銀行國際代碼,這pH值平方學期是高度重要的，
但它不是展示在這AICc模型，為了例子。
我會說那全部這重要的效果
應該有星號經過他們，
但全部重要的p 值有星號經過他們在 J國會議員報告。
反而，患病的只是說那我拿p 值的效果
後選擇和A糧食的鹽。
雖然這二楷模選擇不同的效果，
一些的他們高度統計上重要的在這模型。
如果我們看在這輪廓
或者多變的重要性從這些二楷模，
他們告訴A非常相似的故事。
餵食速度是經過遠的這最多重要的
和後那這訂購是這相同的之間這二楷模。
僅pH值影響3%的這變化在這回覆表面在下面這商業銀行
最好的模型和不是包括在全部在這AICc最好的模型。
這是A非常清除例子
的統計意義和實際的關聯
存在二不同的事物。
那裡是A很多的意見出去那裡關於這AICc和這BIC。
為了例子，伯納姆和安德森
說那兩個都方法是持續的為了這準真的模型作為氮去
到無窮。
但然後有其他的那說
那這BIC 是這僅有的一持續的為了這真相。
伯納姆和安德森說那你能放向上模擬到製作一看好的，
改變這方式它是放向上A小的位元和它會翻動這結果。
伯納姆和安德森，
世界衛生組織是關於這最多死硬死硬的頑固的AICc粉絲出去那裡在他們的模擬，
成立那這AICc選擇更少真的壞的楷模比這BIC。
我思考它是不是A壞的主意到看在兩個都BIC 和AICc
後申請多變的選擇。
如果這最好的楷模在下面兩個都是漂亮的很多這相同的，哪個是常這案件，
你能感覺漂亮的好的關於任何一個的他們，如果他們是不同的
它是好的到思考關於這原因為什麼和使用你的主題事專業知識
到幫助製作A決定。
我的最後的話題是模型選擇標準和線性混合的楷模。
這是A漂亮的複雜的情況，尤其因為那裡不是共識
之間軟體供應商在如何到計算這模型選擇標準。
到闡明這，我已創建A分裂陰謀設計和四因素。
那裡是二所有的陰謀效果和二分裂陰謀影響。
如果你拿這相同的數據和合身這相同的模型在聯合管理計劃專業版
和SAS使用合身混合的和過程混合,
你將要看那這可能性和模型選擇標準不匹配，
但這變異數估計做，你得到不同的固定的效果
範圍估計，但這固定的效果測試同意。
一的這原因為了這是那聯合管理計劃和SAS固定的效果設計矩陣
使用A不同的編碼策略為了絕對的影響。
在這左邊我有這聯合管理計劃設計矩陣為了這分裂陰謀例子，
和在這正確的你看這SAS一。
聯合管理計劃創造A排的減那些
為了這最後的等級的絕對的效果哪個是見過在藍色的這裡
然而SAS創造A排的零。
兩者都不一的這些是正確的或者錯誤的。
它是喜歡改變單位或者改變協調系統。
聯合管理計劃絕對的效果和到零，然而SAS絕對的效果
能是解釋的作為差異從這最後的等級。
雖然這生的範圍估計不同，
預測將要是這相同的之間這二編碼因為這楷模
是從根本上相等的。
最多事物那事
慣於是不同的之間這二軟體產品。
然而，雷姆方法用過的到估計混合的效果楷模
有一個歧義在它。
這根據高斯可能性在這頂部
將要是這相同的在任何一個軟體因為它是A真實的可能性。
但這雷姆或者剩餘的可能性報道經過過程混合的
和聯合管理計劃專業人士的合身混合的不是A真實的可能性。
如果它曾是A真實的可能性，然後我們會得到這相同的價值觀
不管的哪個編碼或者軟體我們用過的。
這是因為有一個額外的懲罰添加到這高斯可能性
為了雷姆那減少這偏見的這變異數估計。
但這依靠在這設計矩陣
在A方式那是敏感的到這編碼用過的。
聯合管理計劃報告，這生的高斯可能性，和這AICc和BIC 那個它報告
是基於在那相當比這剩餘的可能性。
這數位的參數合身混合的計數
是這全部的包括兩個都固定的效果和變異數參數。
我們做過它這方式到製作它所以那你能使用聯合管理計劃到比較楷模
和不同的固定的-影響結構作為出色地作為變異數楷模。
在北歐航空公司，他們僅有的報告這剩餘的或REML對數似然
和它報告模型選擇標準基於在它。
你能看這裡那它也僅有的計數變異數參數作為出色地
因為這不同之處之間這SAS可能性
和它是航空工業協會是為了暗示著二參數，
A變異數成分和A剩餘的。
全部這方法是那
你能僅有的使用 p鵬混合的為了比較變異數楷模
和這航空工業協會因為這模型選擇標準
包括這雷姆懲罰和它是僅有的數數變異數參數。
和全部到期的尊重，
我能思考的一些好的原因為了這SAS方法，
和那裡是大概一些其他好的原因我不甚至知道的。
但我親自更喜歡這靈活性提供的經過這聯合管理計劃方法。
到總結，如果你比較結果穿過軟體
為了非混合的楷模，這意思是範圍估計可能不同，
但否則一切別的應該是這相同的。
作為長的作為這軟體計算
這常量和這可能性正確地作為聯合管理計劃做。
什麼時候我們得到到高斯混合的楷模，
那裡是非常重要的軟體差異
和這範圍的這決定你能製作關於這楷模
使用這軟體可能是非常不同的
取決於在這細節的如何它是可能性是計算出來的。
聯合管理計劃模型選擇標準
是可比兩個都之內這相同的平台
和穿過其他造型平台。
患病的關閉和這滑動，哪個給出我的基本的建議
為了申請這工具討論過今天。
假設測試是A工具為了什麼時候你需要到證明某物
和是最好的用過的在情況什麼時候你有A好的主意
的這模型結構在進步。
什麼時候你是在職的在A問題在產業和這樣本尺寸是小的，
我會戳到古典統計楷模
和使用這AICc作為這基本的工具為了選擇之間他們。
和更大數據套，什麼時候我有足夠的數據到抓住出去
在至少A第三的這觀察，我使用堅持交叉驗證到比較
古典統計楷模作為出色地作為機器學習楷模。
在我的自己的工作，我趨向到避免K-折疊交叉驗證
和它是方差。
這模型選擇標準是相等的到它在更大樣品，
和我趨向到戳和更簡單楷模和較小數據套。
我知道那不是每個人是去到同意和我在這，
但這是什麼作品為了我和是A漂亮的安全的方式
到方法模型選擇。
選擇這最多有用模型從A放的備擇方案那必須全部是錯誤的
在一些等級是一個重要的決定，和這些是這主要的考慮因素
我有什麼時候決定之上A模型選擇戰略。
感謝你為了你的注意力和我看向前到說和你
在這見面這專家會議。
