모형 선택 표

모델 선택 테이블에 대한 정의 및 해석 지침을 찾습니다.

모델 선택 테이블에는 추정 가능한 매개변수가 있는 검색의 모든 후보 모델에 대한 행이 포함됩니다. 테이블은 첫 번째 행에 최상의 모델이 있도록 적합도를 줄임으로써 모델을 정렬합니다.

이 항목의 내용

모형
로그 우도
AIC, AICc 및 BIC

모형

모델 열의 머리글은 테이블의 모든 모델에 대해 차이점 보관의 계절 및 비계절 순서를 제공합니다.

d: 비계절적 차이 보관의 순서는 현재 데이터 값에서 이전 데이터 값을 뺀 횟수를 나타냅니다.
D: 계절별 차이 보관의 순서는 현재 데이터 값에서 이전 시즌 값을 뺀 횟수를 나타냅니다.

행은 모델에 대한 자동 회귀 및 이동 평균 항의 순서를 표시합니다.

p: 비계절적 자기회귀 항의 순서는 현재 값에 영향을 미치는 이전 값(지연)의 수입니다.
q: 비계절 이동 평균 기간의 순서는 현재 값에 영향을 미치는 이전 오류 항(예측 오류의 지연)의 수입니다.
P: 계절적 자동 회귀 기간의 순서는 현재 시즌과 상당히 관련이있는 이전 시즌의 지연 횟수입니다.

Q: 계절별 이동 평균 기간의 순서는 현재 값에 영향을 미치는 이전 시즌의 이전 오류 항(예측 오류의 지연)의 수입니다.

로그 우도

분석에서는 정보 기준에 대한 계산에서 모델에 대한 로그-우도를 사용합니다.

해석

일반적으로 모형에 항을 추가할 때 로그 우도가 줄어들 수 없으므로 정보 기준을 사용하여 모델을 비교합니다. 예를 들어 항이 5개인 모형의 로그 우도는 같은 항을 사용하여 만들 수 있는 4항 모형의 우도보다 높습니다. 따라서 로그 우도는 같은 크기의 모형을 비교할 때 유용합니다. 항 수가 같은 모델의 경우 로그 가능성이 높을수록 모형이 데이터에 더 잘 맞습니다.

AIC, AICc 및 BIC

AIC(Akaike Information Criterion), 교정된 AICc(Akaike Information Criterion) 및 BIC(Bayesian Information Criterion)는 모형의 적합치와 항 수를 설명하는 모형의 상대적 품질 측도입니다.

해석

여러 모형을 비교하려면 AIC, AICc 및 BIC를 사용합니다. 작은 값을 사용하는 것이 바람직합니다. 그러나 항 집합에 대해 값이 가장 적은 모형이 반드시 데이터를 잘 맞지는 않습니다. 또한 검정 및 플롯을 사용하여 모형이 데이터를 얼마나 잘 적합시키는지 평가합니다.

AICc 및 AIC: 표본 크기가 모형의 모수에 비해 작은 경우 AICc가 AIC보다 잘 수행됩니다. 표본 크기가 상대적으로 작으면 AIC가 모수가 너무 많은 모형의 경우 작은 경향이 있으므로 AICc가 더 잘 수행됩니다. 일반적으로, 표본 크기가 모형의 모수에 비해 충분히 큰 경우 비슷한 결과를 제공합니다.
AICc 및 BIC: AICc와 BIC 모두 모형의 우도를 평가한 다음 모형에 항을 추가하는 데 대한 벌칙을 적용합니다. 벌칙은 모형을 표본 데이터에 과다 적합하는 경향을 줄입니다. 이에 따라 일반적으로 더 잘 수행되는 모형이 생성됩니다.; 일반 지침에 따라, 모수 수가 표본 크기에 비해 작은 경우 AICc보다 BIC가 각 모수의 추가에 대한 벌칙이 더 큽니다. 이러한 경우 BIC를 최소화하는 모형이 AICc를 최소화하는 모형보다 더 작은 경향이 있습니다.