Vergleich nicht verschachtelter Modelle mit AIC

Sagen wir, wir müssen GLMMs

mod1 <- glmer(y ~ x + A + (1|g), data = dat)
mod2 <- glmer(y ~ x + B + (1|g), data = dat)

Diese Modelle sind nicht im üblichen Sinne verschachtelt:

a <- glmer(y ~ x + A + (1|g),     data = dat)
b <- glmer(y ~ x + A + B + (1|g), data = dat)

Also können wir nicht so machen, anova(mod1, mod2)wie wir es wollten anova(a ,b).

Können wir mit AIC sagen, welches das beste Modell ist?

r mixed-model aic lme4-nlme nested-models user1322296
quelle

Antworten:

Der AIC kann mit nicht verschachtelten Modellen angewendet werden. In der Tat ist dies einer der am weitesten verbreiteten Mythen (Missverständnisse?) Über AIC. Sehen:

Eine Sache, bei der Sie vorsichtig sein müssen, ist das Einbeziehen aller Normalisierungskonstanten, da diese für die verschiedenen (nicht verschachtelten) Modelle unterschiedlich sind:

Siehe auch:

Im Kontext von GLMM ist die Frage heikler, wie zuverlässig der AIC für den Vergleich dieser Art von Modellen ist (siehe auch @ BenBolker's). Andere Versionen des AIC werden in der folgenden Veröffentlichung erörtert und verglichen:

Zum Verhalten von Rand- und Bedingungs-AIC in linearen Mischmodellen

Leuchter
quelle

Beachten Sie, dass die marginale und die bedingte AIC-Unterscheidung am wichtigsten sind, wenn Sie versuchen, Modelle zu vergleichen, die sich in ihren zufälligen

Effektsätzen

@Chandelier & Ben Bolker, vielen Dank für beide Antworten. Hat einer von Ihnen zufällig eine formellere Referenz für das Argument, AIC auf diese Weise zu verwenden?

user1322296

@ user1322296 Ich würde vorschlagen, an die Wurzel zu gehen, das ist Akaikes Papier . Der AIC wird als Schätzer für die Divergenz zwischen Ihrem Modell und dem "wahren Modell" erhalten. Also, keine Verschachtelung vorausgesetzt, nur einige Regelmäßigkeitsbedingungen.

Kronleuchter

Ist es also zum Beispiel gültig, die AIC von lm1 = x ~ A + B C und lm2 = x ~ D + B C zu vergleichen? Danke

Crazjo

Es scheint nicht verschachtelte Modelle zu geben, für die die Verwendung von AIC nicht geeignet ist. Hier sind zwei Beispiele: 1 und 2 . Würden Sie bitte einige Bedingungen angeben, unter denen die Auswahl nicht verschachtelter Modelle funktioniert?

Carl

Als Referenz ein Gegenargument: Brian Ripley erklärt in "Auswahl unter großen Klassen von Modellen", S. 6-7

Entscheidende Annahmen ... Die Modelle sind verschachtelt (Fußnote: siehe unten auf Seite 615 im Nachdruck von Akaike (1973)). - AIC wird häufig verwendet, wenn dies nicht der Fall ist

Die relevante Passage (auch S. 204 eines anderen Nachdrucks von Akaike) beginnt meiner Meinung nach mit dem Satz "Das Problem der statistischen Modellidentifikation wird oft als das Problem der Auswahl von $f(x|_k\theta$ ) ... ") ist nicht ganz vorhanden hier , ich bin für eine PDF des Papiers suchen , damit ich die Passage hier zitieren ...

Ripley, BD 2004. „Auswahl unter großen Klassen von Modellen“. In Methods and Models in Statistics , herausgegeben von N. Adams, M. Crowder, D. J. Hand und D. Stephens, 155–70. London, England: Imperial College Press.

Akaike, H. (1973) Informationstheorie und eine Erweiterung des Maximum-Likelihood-Prinzips. Im zweiten internationalen Symposium zur Informationstheorie (Hrsg. BN Petrov und F. Cáski), S. 267–281, Budapest. Akademiai Kaidó. Neuauflage in Breakthroughs in Statistics , Hrsg. Kotz, S. & Johnson, NL (1992), Band I, S. 599–624. New York: Springer.

Ben Bolker
quelle

Anscheinend hielt Akaike AIC für ein nützliches Tool zum Vergleichen von nicht verschachtelten Modellen.

Eine wichtige Beobachtung über AIC ist, dass es ohne spezifischen Bezug auf das wahre Modell [f (x | kθ)] definiert ist. Daher können wir für jede endliche Anzahl von parametrischen Modellen immer ein erweitertes Modell in Betracht ziehen, das die Rolle von spielen wird [f (x | kθ)] Dies legt nahe, dass AIC zumindest prinzipiell für den Vergleich von Modellen nützlich sein kann, die nicht verschachtelt sind, dh für die Situation, in der der herkömmliche Log Likelihood-Ratio-Test nicht anwendbar ist. "

(Akaike 1985, S. 399)

Akaike, Hirotugu. "Vorhersage und Entropie." Ausgewählte Arbeiten von Hirotugu Akaike. Springer, New York, NY, 1985. 387-410.

JonesBC
quelle