„Akaike“ informacijos kriterijus (paprastai vadinama tiesiog AIC) yra kriterijus pasirinkti iš įdėtų statistinių ar ekonometrinių modelių. AIC iš esmės yra įvertintas kiekvieno turimo ekonometrinio modelio kokybės matas kadangi jie yra susiję vienas su kitu tam tikram duomenų rinkiniui, todėl tai yra idealus modelio atrankos metodas.
Naudojant AIC statistiniam ir ekonometriniam modelių pasirinkimui
Informacijos teorijos pagrindu buvo sukurtas „Akaike“ informacijos kriterijus (AIC). Informacijos teorija yra taikomosios matematikos šaka, susijusi su informacijos kiekybiniu įvertinimu (skaičiavimo ir matavimo procesu). Naudodamas AIC bandydamas išmatuoti atitinkamo duomenų rinkinio ekonometrinių modelių santykinę kokybę, AIC suteikia tyrėjui: informacijos, kuri būtų prarasta, jei tam tikras modelis būtų naudojamas norint parodyti procesą, kuris sukūrė duomenys. Taigi AIC siekia subalansuoti tam tikro modelio ir jo modelio sudėtingumą gerumo tinkamumas, kuris yra statistinis terminas apibūdinti, kaip modelis „tinka“ duomenims ar stebėjimų rinkiniui.
Ko AIC nepadarys
Dėl to, ką „Akaike“ informacijos kriterijus (AIC) gali padaryti su statistinių ir ekonometrinių modelių rinkiniu ir nurodytu duomenų rinkiniu, jis yra naudingas įrankis renkantis modelį. Bet net ir modelių atrankos įrankis, AIC turi savo trūkumų. Pavyzdžiui, AIC gali pateikti tik santykinį modelio kokybės testą. Tai reiškia, kad AIC neatlieka ir negali pateikti modelio bandymo, kurio rezultatas yra informacija apie modelio kokybę absoliučiąja prasme. Taigi, jei kiekvienas iš išbandytų statistinių modelių yra vienodai nepatenkinamas arba netinkamas duomenims, AIC nuo pat pradžių nepateiks jokių požymių.
AIC ekonometrijos terminais
AIC yra skaičius, susietas su kiekvienu modeliu:
AIC = ln (sm2) + 2m / T
Kur m yra modelio parametrų skaičius, ir sm2 (AR (m) pavyzdyje) yra apskaičiuotas likutinis dispersija: sm2 = (kvadrato suma likučiai modeliui m) / T. Tai yra vidutinis modelio likutis kvadratu m.
Kriterijus gali būti sumažintas renkantis: m sudaryti kompromisą tarp modelio atitikimo (kuris sumažina kvadratų sumą) likučiai) ir modelio sudėtingumą, kuris matuojamas m. Taigi AR (m) modelį ir AR (m + 1) galima palyginti pagal šį kriterijų tam tikrai duomenų grupei.
Lygiavertė formuluotė yra tokia: AIC = T ln (RSS) + 2K, kur K yra regresorių skaičius, T - stebėjimų skaičius, o RSS - likutinė kvadratų suma; sumažinti iki K, kad pasirinktumėte K.
Taigi, pateikė ekonometrija modelių atžvilgiu, pageidautinas santykinės kokybės modelis bus modelis su minimalia AIC verte.