Bayesian Information Criterion (BIC)
Der Bayesian Information Criterion (BIC) ist ein informations-theoretisches Kriterium zur Modellauswahl, das den bayesianischen Modellvergleich approximiert. Eingeführt von Gideon Schwarz im Jahr 1978, bestraft der BIC die Modellkomplexität stärker als AIC, indem er eine stichprobengrößenabhängige Strafe verwendet, was ihn besonders geeignet macht, die wahre zugrundeliegende Modellstruktur zu identifizieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461-464. DOI: 10.1214/aos/1176344136 ↗
- Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (2nd ed.). New York: Springer. DOI: 10.2307/3802723 ↗
- Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773-795. DOI: 10.1080/01621459.1995.10476572 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Information Criterion. ScholarGate. https://scholargate.app/de/model-evaluation/bayesian-information-criterion
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Adjusted R-squared (R²_adj)Modellevaluation↔ compare
- Akaike-Informationskriterium (AIC)Modellevaluation↔ compare
- Mittlere quadratische Abweichung (MSE)Modellevaluation↔ compare
- Bestimmtheitsmaß (R²)Modellevaluation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →