Най- Информационен критерий Akaike (обикновено наричан просто като AIC) е критерий за избор между вложени статистически или иконометрични модели. AIC е по същество приблизителна оценка за качеството на всеки от наличните иконометрични модели тъй като те се отнасят един към друг за определен набор от данни, което го прави идеален метод за избор на модел.
Използване на AIC за избор на статистически и иконометричен модел
Информационният критерий Akaike (AIC) е разработен с основа в информационната теория. Информационната теория е клон на приложната математика относно количественото определяне (процеса на преброяване и измерване) на информацията. Използвайки AIC за опит за измерване на относителното качество на иконометрични модели за даден набор от данни, AIC предоставя на изследователя оценка на информацията, която би била загубена, ако се използва конкретен модел за показване на процеса, който е произвел данни. Като такъв, AIC работи за балансиране на компромиси между сложността на даден модел и неговия модел
доброта на прилягането, което е статистически термин, за да опише доколко моделът „пасва“ на данните или набора от наблюдения.Какво AIC няма да направи
Поради това, което информационният критерий Akaike (AIC) може да направи с набор от статистически и иконометрични модели и даден набор от данни, той е полезен инструмент при избора на модел. Но дори и като инструмент за избор на модел, AIC има своите ограничения. Например AIC може да предостави само относителна проверка на качеството на модела. Това означава, че AIC не предоставя и не може да предостави тест на модел, който води до информация за качеството на модела в абсолютен смисъл. Така че, ако всеки от тестваните статистически модели е еднакво незадоволителен или неправилно подходящ за данните, AIC не предоставя никакви индикации от началото.
AIC в иконометрия
AIC е число, свързано с всеки модел:
AIC = ln (sm2) + 2m / T
Където m е броят на параметрите в модела и сm2 (в пример AR (m)) е прогнозната остатъчна дисперсия: sm2 = (сума от квадрат остатъците за модел m) / T. Това е средният квадратен остатък за модела m.
Критерият може да бъде сведен до минимум при избор на m за да се формира компромис между прилягането на модела (което понижава сумата на квадрат остатъците) и сложността на модела, която се измерва с m. По този начин модел AR (m) спрямо AR (m + 1) може да бъде сравнен по този критерий за дадена партида данни.
Еквивалентната формулировка е тази: AIC = T ln (RSS) + 2K, където K е броят на регресорите, T - броят на наблюденията и RSS - остатъчната сума от квадрати; минимизирайте над K, за да изберете K.
Като такъв, при условие, че набор от иконометрия модели, предпочитаният модел по отношение на относителното качество ще бъде моделът с минимална AIC стойност.