在解决案例研究时，研究人员会遇到许多预测因素、可能性和相互作用。这使得选择一个模型很复杂。借助于不同的模型选择准则，可以解决这些问题并估计精度。

AIC和BIC是评估模型的两个标准过程。它们由所考虑的变量聚合的选择性决定因素组成。2002年，伯纳姆和安德森对这两个标准进行了研究。

aic公司(aic) vs. 比克(bic)

AIC和BIC的区别在于它们对模型的选择。它们是为特定用途而指定的，可以给出不同的结果。AIC有无限的和相对较高的维度。

AIC导致复杂的性状，而BIC有更多的有限维度和一致的属性。前者适用于阴性结果，后者适用于阳性结果。

aic与bic对照表

什么是aic公司(aic)？

该模型于1971年由统计学家“Hirotugu Akaike”首次宣布，第一篇正式论文于1974年由Akaike发表，获得14000多篇引用。

Akaike信息标准（AIC）是对不确定的、准确的和合理的事实概率之间的相应间隔之外的连续性的评估。这是模型的综合概率目的。因此，AIC越低意味着模型估计的精度越接近。对于假阴性结论，它是有用的。

为了得到一个真实的模型，需要小于1的概率。AIC的维数是无限的，并且在数量上相对较高。因此，它提供了不可预测和复杂的结果。它提供了假设的最佳覆盖率。它的惩罚条款更小。许多研究人员认为，在假设的情况下，它的好处是风险最小。因为这里，n大于k2。

AIC计算采用以下公式：

• AIC=2k–2ln（升）

什么是比克(bic)？

贝叶斯信息准则（Bayesian Information Criteria，BIC）是在特定的贝叶斯结构下，对目标可能性进行评估，遵循模型是准确的。所以一个较低的BIC意味着一个模型被认为是更精确的模型。

这个理论是由吉迪恩E。施瓦茨信息准则，又称为施瓦茨信息准则，简称SIC、SBIC或SBC。为了得到一个真实的模型，它要求概率正好为1。对于假阳性结果，它是有帮助的。

处罚条款是实质性的。它的维数是有限的，可以给出一致且容易的结果。科学家说，它的最佳覆盖率低于AIC的假设。这甚至导致了最大程度的冒险。因为这里，n是可定义的。

BIC计算采用以下公式：

• BIC=k ln（n）–2ln（L^）

“桥梁标准”或BC是由Jie Ding、Vahid Tarokh和Yuhong Yang制定的。该标准于2017年6月20日在《IEEE信息论学报》上发表。其目的是弥合AIC和BIC模块之间的根本鸿沟。

aic和bic的主要区别

1. AIC用于假阴性结果的模型选择，而BIC用于假阳性。
2. 前者有一个无限的、相对较高的维度。相反，后者具有有限性。
3. 第一个的处罚期较小。然而，第二个是实质性的。
4. Akaike信息标准具有复杂和不可预测的结果。相反，贝叶斯信息准则具有简单的一致性结果。
5. AIC提供了乐观的假设。而BIC覆盖了不太理想的假设。
6. 在AIC中风险最小，在BIC中风险最大。
7. Akaike理论要求概率小于1，而Bayesian需要正好1才能达到真正的模型。

结论

AIC和BIC都几乎是精确的，这取决于它们的不同目标和不同的渐近推测集合。这两组假设都被认为是不可行的。每个分布式alpha的动态性在'n'中提高。因此，AIC模型通常有希望选择同样高的模型，尽管n。如果n足够的话，BIC收集模型的不确定性太有限。尽管如此，它比AIC有很大的可能性，对于所有呈现的n，除了选择一个短模型之外，它还更倾向于选择一个模型。

如果承认分析两个相关模型的温和事实，那么在其操作实现中识别变化是最常见的。同时应用这两种方法的最可靠方法是在模型范围内。对于假阴性判决，AIC更为有利。相反，BIC更适合假阳性。最近，形成了“桥接标准”，以桥接AIC和BIC模块之间的重要模块。前一个用于负面决策，后一个用于正面决策。

参考文献

1. https://psycnet.apa.org/record/2012-03019-001
2. https://journals.sagepub.com/doi/abs/10.1177/0049124103262065
3. https://journals.sagepub.com/doi/abs/10.1177/0049124104268644
4. https://www.sciencedirect.com/science/article/pii/S0165783605002870

本文作者：Supriya Kandekar