Criterio de Información de Akaike (AIC)
El Criterio de Información de Akaike (AIC) es una medida informacional para la selección de modelos que equilibra la bondad de ajuste con la complejidad del modelo. Introducido por Hirotugu Akaike en 1974, el AIC estima la calidad relativa de los modelos para un conjunto de datos dado, penalizando parámetros adicionales para prevenir el sobreajuste.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. DOI: 10.1109/TAC.1974.1100705 ↗
- 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 ↗
- Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79-86. DOI: 10.1214/aoms/1177729694 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/es/model-evaluation/akaike-information-criterion
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- R² ajustado (R²_adj)Evaluación de modelos↔ comparar
- Criterio de Información Bayesiano (BIC)Evaluación de modelos↔ comparar
- Error Cuadrático Medio (MSE)Evaluación de modelos↔ comparar
- R-cuadrado (R²)Evaluación de modelos↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →