음수 aic 값을 해석하는 방법
AIC(Akaike Information Criterion)는 다양한 회귀 모델의 적합성을 비교하는 데 사용되는 측정항목입니다.
다음과 같이 계산됩니다.
AIC = 2K – 2ln (L)
금:
- K: 모델 매개변수의 수입니다.
- ln (L) : 모델의 로그 우도입니다. 이는 주어진 데이터에서 모델이 얼마나 가능성이 있는지 알려줍니다.
여러 회귀 모델을 적용한 후에는 각 모델의 AIC 값을 비교할 수 있습니다. AIC가 가장 낮은 모델이 가장 적합합니다.
학생들이 AIC에 대해 자주 묻는 질문은 음수 AIC 값을 해석하는 방법입니다.
대답은 간단합니다. AIC 값이 낮을수록 모델 적합도가 더 좋습니다. AIC 값의 절대값은 중요하지 않습니다. 이는 긍정적일 수도 있고 부정적일 수도 있습니다.
예를 들어 모델 1의 AIC 값이 -56.5이고 모델 2의 AIC 값이 -103.3인 경우 모델 2가 더 나은 적합성을 제공합니다. 두 AIC 값이 모두 음수인지는 중요하지 않습니다.
음수 AIC 값 이해
AIC를 계산하는 데 사용되는 공식만 살펴보면 특정 회귀 모델이 어떻게 음의 AIC 값을 초래할 수 있는지 쉽게 알 수 있습니다.
AIC = 2K – 2ln (L)
매개변수가 7개이고 로그 우도가 70인 모델이 있다고 가정합니다.
이 모델의 AIC는 다음과 같이 계산됩니다.
AIC = 2*7 – 2*70 = -126
그런 다음 이 AIC 값을 다른 회귀 모델의 값과 비교하여 어떤 모델이 가장 적합한지 결정할 수 있습니다.
부정적인 AIC 값에 대한 교과서 참조
음수 AIC 값에 대한 유용한 교과서 참조는 62페이지의 모델 선택 및 다중 모달 추론: 실제 정보 이론 접근 방식 에서 나옵니다.
일반적으로 AIC는 양수입니다. 그러나 이는 임의의 추가 상수에 의해 이동될 수 있으며 일부 변경으로 인해 음의 AIC 값이 발생할 수 있습니다… 이는 AIC 값의 절대 크기가 아니라 고려된 모든 모델의 상대 값이며 특히 AIC 값 간의 차이가 중요합니다.
또 다른 유용한 참고 자료는 402페이지의 심각한 통계: 행동 과학을 위한 고급 통계 가이드 에서 제공됩니다.
가능성과 마찬가지로 AIC의 절대값은 대체로 의미가 없습니다(임의의 상수에 의해 결정됨). 이 상수는 데이터에 따라 다르므로 AIC를 사용하여 동일한 샘플에 적합한 모델을 비교할 수 있습니다.
따라서 고려된 모든 그럴듯한 모델 중에서 가장 좋은 모델은 AIC 값이 가장 작은 것(실제 모델과 비교하여 정보 손실이 가장 적음)입니다.
두 교과서 모두에서 언급했듯이 AIC의 절대값은 중요하지 않습니다. 단순히 AIC 값을 이용하여 모델의 적합도를 비교하는데, AIC 값이 가장 낮은 모델이 가장 좋습니다.