Critère d'information bayésien (BIC)
Le Critère d'information bayésien (BIC) est un critère de sélection de modèle basé sur la théorie de l'information qui approxime la comparaison de modèles bayésiens. Introduit par Gideon Schwarz en 1978, le BIC pénalise la complexité du modèle plus lourdement que l'AIC en utilisant une pénalité dépendante de la taille de l'échantillon, ce qui le rend particulièrement adapté à l'identification de la véritable structure sous-jacente du modèle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Information Criterion. ScholarGate. https://scholargate.app/fr/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.
- R-carré ajusté (R²_adj)Évaluation de modèles↔ compare
- Critère d'information d'Akaike (AIC)Évaluation de modèles↔ compare
- Erreur quadratique moyenne (EQM)Évaluation de modèles↔ compare
- Coefficient de détermination (R²)Évaluation de modèles↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →