Bayesowskie Kryterium Informacyjne (BIC)
Bayesowskie Kryterium Informacyjne jest informacyjno-teoretycznym kryterium wyboru modelu, które przybliża bayesowskie porównywanie modeli. Wprowadzone przez Gideona Schwarza w 1978 roku, BIC karze złożoność modelu silniej niż AIC, stosując karę zależną od wielkości próby, co czyni je szczególnie odpowiednim do identyfikacji prawdziwej, bazowej struktury modelu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Information Criterion. ScholarGate. https://scholargate.app/pl/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.
- Skory R-kwadrat (R²_skorygowany)Ocena modeli↔ compare
- Kryterium informacyjne Akaikego (AIC)Ocena modeli↔ compare
- Średni błąd kwadratowy (MSE)Ocena modeli↔ compare
- Współczynnik determinacji (R²)Ocena modeli↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →