Pengantar Kriteria Informasi Akaike (AIC)

Itu Kriteria Informasi Akaike (Biasa disebut sebagai AIC) adalah kriteria untuk memilih di antara model statistik atau ekonometrik bersarang. AIC pada dasarnya adalah ukuran perkiraan kualitas masing-masing model ekonometrik yang tersedia karena mereka berhubungan satu sama lain untuk satu set data tertentu, menjadikannya metode yang ideal untuk pemilihan model.

Kriteria Informasi Akaike (AIC) dikembangkan dengan dasar dalam teori informasi. Teori informasi adalah cabang matematika terapan mengenai kuantifikasi (proses penghitungan dan pengukuran) informasi. Dalam menggunakan AIC untuk mencoba mengukur kualitas relatif model ekonometrik untuk set data yang diberikan, AIC menyediakan peneliti dengan perkiraan informasi yang akan hilang jika suatu model tertentu digunakan untuk menampilkan proses yang menghasilkan data. Dengan demikian, AIC bekerja untuk menyeimbangkan trade-off antara kompleksitas model yang diberikan dan yang

Karena apa yang dapat dilakukan Akaike Information Criterion (AIC) dengan satu set model statistik dan ekonometrik dan satu set data yang diberikan, itu adalah alat yang berguna dalam pemilihan model. Tetapi bahkan sebagai alat pemilihan model, AIC memiliki keterbatasan. Sebagai contoh, AIC hanya dapat memberikan tes relatif kualitas model. Dengan kata lain, AIC tidak dan tidak dapat memberikan pengujian model yang menghasilkan informasi tentang kualitas model dalam arti absolut. Jadi jika masing-masing model statistik yang diuji sama-sama tidak memuaskan atau tidak cocok untuk data, AIC tidak akan memberikan indikasi sejak awal.

AIC adalah angka yang terkait dengan masing-masing model:

AIC = ln (s_m²) + 2m / T

Dimana m adalah jumlah parameter dalam model, dan s_m² (dalam contoh AR), adalah taksiran varian sisa: s_m² = (jumlah kuadrat residu untuk model m) / T. Itu adalah rata-rata residu kuadrat untuk model m.

Kriteria tersebut dapat diminimalkan berdasarkan pilihan m untuk membentuk trade-off antara kesesuaian model (yang menurunkan jumlah kuadrat residu) dan kompleksitas model, yang diukur dengan m. Jadi model AR (m) versus AR (m + 1) dapat dibandingkan dengan kriteria ini untuk kumpulan data tertentu.

Formulasi yang setara adalah yang ini: AIC = T ln (RSS) + 2K di mana K adalah jumlah regressor, T jumlah pengamatan, dan RSS jumlah residu kuadrat; meminimalkan lebih dari K untuk memilih K.

Dengan demikian, disediakan satu set ekonometrik model, model yang disukai dalam hal kualitas relatif akan menjadi model dengan nilai AIC minimum.