Aic
是什麼破壞了模型與 AIC 的可比性？
假設我已經使用來自同一數據集的預測變量（和響應變量）擬合了一些模型。
模型的哪些變化會讓我在 AIC 的基礎上比較模型變得不合理？
1）假設，如果我對因變量進行日誌轉換，將其與沒有轉換的模型進行比較是否公平？
2）如果我要從模型中刪除預測變量，我可以將它與添加了所有預測變量的模型進行比較嗎？
3）如果我將兩個不同家庭的glms分別安裝在兩者上，我還能在AIC的基礎上進行比較嗎？不同的鏈接功能呢？
謝謝您的意見。
如果你有兩個模型和樣品，那麼只要模型合理，就可以使用 AIC 進行比較。當然，這並不意味著 AIC 會在競爭對手中選擇最接近真相的模型，因為 AIC 是基於漸近結果的。在一個極端的場景下，假設你要比較兩個模型，一個有 1 個單參數，另一個有 100 個參數，樣本量為. 然後，預計在具有 100 個參數的模型的估計中會觀察到非常低的精度，而在具有 1 個參數的模型中，可能會準確估計參數。這是反對使用 AIC 來比較似然估計器具有非常不同收斂速度的模型的論據之一。即使在具有相同數量參數的模型中也可能發生這種情況。
- 是的，只要模型仍然有意義，您就可以使用 AIC 來比較您在其中一個模型中轉換響應變量的兩個模型。然而，這並非總是如此。如果你有一個線性模型
在哪裡，這意味著變量可以取任何實際值。因此，從理論的角度來看，對數變換沒有意義，即使樣本只包含正值。 2. 這稱為逐步 AIC 變量選擇。已經在 R 命令中實現
stepAIC()。 3. 同樣，只要用這種模型對數據進行建模是有意義的。關於 AIC 使用的一些有趣的討論可以在這裡找到：