BICkriteerejä

BIC-kriteerejä tarkoittaa Bayesin informaatiokriteeriä, joka on tilastollinen mallinvalintaa varten käytettävä kriteeri. Sitä käytetään vertailemaan useita malleja saman aineiston perusteella ottaen huomioon sekä sovituksen laatu että mallin monimutkaisuus. BIC perustuu maksimiluotettavuusarvioon ja parametrien lukumäärään.

BIC:n laskentakaava on BIC = -2 ln L_hat + k ln n, jossa L_hat on mallin maksimilogi-todennäköisyys, k on mallin vapaan parametrien lukumäärä ja n on havaintoja koskeva otoskoko. Mitä pienempi BIC-arvo, sitä parempi kompromissi sovituksen ja monimutkaisuuden välillä katsotaan olevan kyseisessä mallissa.

Ominaisuudet ja käyttöalueet: BIC on asymptoottisesti johdonmukainen (tietyin oletuksin) – kun n kasvaa, todennäköisemmin valitaan oikea malli, jos se on joukossa. BIC soveltuu laajasti regressio-, aika-sarja- ja monimutkaisempien tilastomallien valintaan. Se vertailuissa antaa suuremman rangaistuksen monimutkaisuudelle kuin esimerkiksi AIC, koska k ln n kasvaa logaritmisesti otoskooken mukana.

Käytännön huomioita: BIC vaatii oikeanlikimääräisen mallin log-todennäköisyyden ja parametrien lukumäärän määrittelyn sekä samaa dataa koskevien mallien vertailun. Se ei takaa oikeaa mallia pienillä otoksilla ja on herkkä mallin oletuksille sekä valitulle malliluokalle. Tilasto-ohjelmistoissa BIC voidaan usein laskea automaattisesti, ja sitä käytetään yleisesti mallikokoelmaa vertaillessa.