Minitab® 支持

模型选择表

了解关于 Minitab 的更多信息
查找“模型选择”表的定义和解释指南。

模型选择表为搜索中具有可估计参数的每个候选模型包含一行。该表通过降低拟合对对对进行排序，以便最佳模型位于第一行。

关于本主题

模型

模型列的标题为表中的所有模型提供季节性和非季节性的差分顺序。
d
非季节性差异的顺序表示从当前数据值中减去先前数据值的次数。
D
季节性差异的顺序表示从当前数据值中减去上一季值的次数。
这些行显示模型的自回归项和移动平均项的顺序。
p
非季节性自回归项的顺序是影响当前值的先前值（滞后）的数量。
q
非季节性移动平均线项的顺序是影响当前值的先前误差项（预测误差的滞后）的数量。
P
季节性自回归项的顺序是上一季中与当前季节显著相关的滞后数。
Q
季节性移动平均线项的顺序是影响当前值的前一季节误差项（预测误差的滞后）的数量。

对数似然

该分析在信息条件的计算中使用模型的对数似然。

解释

通常，您可以使用信息条件来比较模型，因为在向模型添加项时，对数似然不会降低。例如，5 项模型的对数似然大于使用相同项构建的 4 项模型的对数似然。因此，对数似然最适用于比较具有相同样本数量的模型。对于具有相同项数的模型，对数似然越高，模型与数据的拟合度就越高。

AIC、AICc 和 BIC

Akaike 信息标准 (AIC)、更正的 Akaike 信息标准 (AICc) 和 Bayesian 信息标准 (BIC) 是针对模型相对质量的度量，说明模型中的拟合与项数。

解释

使用 AIC、AICc 和 BIC 比较不同的模型。值越小越合意。但是，对于一组项具有最小值的模型不一定能很好地拟合数据。还可以使用测试和绘图来评估模型与数据的拟合程度。
AICc 和 AIC
当样本数量相对于模型中的参数个数较小时，AICc 的性能优于 AIC。AICc 的性能之所以更佳，是因为当模型中的参数太多时，如果样本数量相对较小，AIC 往往较小。通常，当样本数量相对于模型中的参数个数较大时，这两个统计量提供的结果相似。
AICc 和 BIC
AICc 和 BIC 评估模型的似然，然后将用来添加项的惩罚应用于模型。惩罚会降低趋势，以使模型过度拟合样本数据。趋势降低可能会生成性能通常更佳的模型。
一般准则是，当参数个数相对于样本数量较小时，BIC 对于添加每个参数所施加的惩罚比 AICc 大。在这些情况下，最小化 BIC 的模型往往比最小化 AICc 的模型小。
Copyright © 2024 Minitab, LLC. All rights Reserved.