کد خبر: ۱۱۵۹۶
تاریخ انتشار: ۰۷ شهريور ۱۳۹۸ - ۲۲:۳۹-29 August 2019
معمولا جایی از اقتصادسنجی بخصوص سری های زمانی را سراغ نداریم که مورد تاخت و تاز این معیار قرار نگرفته باشد.
پس مفهومی اساسی است. شاید از خود نپرسیده ایم که چرا می گویند مقدار کمتر این معیار نشان دهنده مناسب بودن مدل است.

 اما برای همه ماهایی که می خواهیم در این زمینه فراتر از اطلاعات پیش پا افتاده جاری در مورد این معیار برویم مفید است که داستان این معیار را بشنویم. از خیلی از پیچیدگی های ریاضی در این زمینه چشم پوشی می کنم و سعیم بر آن است تا برداشت خودم را به شما منتقل کنم. داستان را مثل همه ی داستان های اقتصادسنجی باید از جایی شروع کرد که یک پیچیدگی را با برقراری فروضی باید ساده کرد. در این مورد داستان ما از یک Fact شروع می شود: بسیاری از فرآیندهای تصادفی بقدری پیچیده هستند که ما توان به زنجیر کشیدن دقیق آنها را با استفاده از مدل های آماری نداریم. پس باید فرض کنم که توزیع احتمال دقیق فرآیند تولید داده های من بسیار پیچیده است به همین خاطر باید به گونه ای این توزیع را از مسیر محاسباتم خارج کنم. اما چگونه؟ برای اینکه بحثم طولانی نشود شما را ارجاع می دهم به معیار اطلاعات کولبک-لیبلر!! مفهوم کلی این معیار آن است که برای محاسبه فاصله میان دو توزیع احتمال 1 و 2 ،با توزیع 2 توزیع 1 را تقریب می زنم سپس میزان اطلاعات از دست رفته در نتیجه این تقریب را اندازه می گیریم. اصل معیار AIC برمبنای اندازه اطلاعات از دست رفته کولبک-لیبلر می باشد. بنابراین مقدار این معیار باید کم باشد زیرا هرچه کمتر یعنی تقریب ما از مدل واقعی اطلاعات از دست رفته کمتری دارد. (برای دیدن محاسبات به مقاله آکاییک رجوع کنید)

 روایت نمونه های کوچک و بزرگ و نحوه استفاده از این معیارها را متناسب با حجم نمونه ها شنیده ایم. اما از خود نپرسیده ایم مگر کار این معیارها انتخاب مدل نیست!؟ این موضوع چه ارتباطی به حجم نمونه دارد؟

 شاید یعنی فلان معیار در نمونه های کوچک مدل درست(!!! چیزی به اسم مدل درست نداریم بلکه همه مدل ها غلطن زیرا واقعیت بسیار پیچیده تر از آن است که با تعدادی معادله و پارامتر محدود مدلسازی شود بلکه مدل ها ابزارهای ما برای تقریبی از واقعیت هستند گاهی اوقات ما ابزار نامناسبی را انتخاب می کنیم اما این اشکالی ندارد زیرا مجموعه مدل ها یک مجموعه شلوغ از مدل هاست و گاهی اوقات اشتباه انتخاب کردن و خطا کردن غیرقابل اجتناب هست ولی نه اشتباه هات سیستماتیک) را با احتمال بیشتری انتخاب خواهد کرد؟ 

اما این تفسیر غلط هست!چرا؟ چون هیچ معیاری در دست نیست که ما بتوانیم این نتیجه را استنباط کنیم، هرچند ممکن است که در چندین مورد نتیجه این باشد که این معیار در انتخاب مدل مطلوب تر است!ریشه ی این اشتباه در تعمیم ناصحیح وجود عبارت جریمه ایی این معیارها برای انتخاب مدل ساده با نتایج استنباطی آماری آنها در انتخاب مدل به طور کلی است. نتایج تحقیقات آماری نشان می دهد BIC برتری مطلق در انتخاب مدل بر معیار AIC دارد اما مشروط به آنکه مدل درست تر در مجموعه  مدل های در دست بررسی موجود باشد اما از آنجا که این را نمیدانیم معیار AIC را استفاده می کنیم چون معمولا مدل هایی که این معیار انتخاب می کند از نظر پیش بینی بر مدل های منتخب توسط BIC برتری دارند.

نظر شما
نام:
ایمیل:
* نظر:
به روایت مذهبی ها
نظرسنجی
منشاء پدیده داعش را چه می دانید؟
ناشی از تفکر وهابی-تکفیری
محصول توطئه غرب و اسرائیل
آخرین اخبار
پربازدیدترین
خبری-تحلیلی
اخلاق و عرفان
سیره علی بن ابیطالب(ع)
سیره رسول الله(ص)
تاریخ صدر اسلام
تاریخ معاصر
زمین
سلامت و تغذیه
نماز و احکام
کتاب و متون مرجع
نظامی
کسب و کار
شیطان و گناهان
روشنفکری دینی
مرگ
آخرالزمان