Bayes Bilgi Ölçütü (BIC)
Bayesian Information Criterion · Ayrıca şöyle bilinir: BIC, Schwarz criterion, Schwarz information criterion
Bayes Bilgi Ölçütü (BIC), Bayesçi model karşılaştırmasını yaklaştıran bilgi-kuramsal bir model seçme ölçütüdür. Gideon Schwarz tarafından 1978'de tanıtılan BIC, örneklem büyüklüğüne bağlı bir ceza kullanarak model karmaşıklığını AIC'den daha ağır cezalandırır, bu da onu gerçek altta yatan model yapısını belirlemek için özellikle uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Modelleri karşılaştırırken ve bir modelin gerçek veri üreten süreç olduğuna inanıyorsanız BIC kullanın. BIC, özellikle regresyon, zaman serisi ve sınıflandırmada değişken seçimi ve model karşılaştırması için değerlidir. BIC karmaşıklığı şiddetle cezalandırır; tutumluluğun değerli olduğu durumlarda kullanın (örneğin, ekonomide veya epidemiyolojide yorumlanabilirlik). Büyük örneklemlerde, BIC AIC'den daha basit modelleri şiddetle tercih eder. Tahmin odaklı görevler için AIC'yi tercih edin.
Güçlü yönler & sınırlılıklar
- Tutarlı: doğru belirtim altında asimptotik olarak doğru modeli seçer
- Daha güçlü aşırı uyum önleme: karmaşıklığı AIC'den daha fazla cezalandırır
- Bayesçi kurama dayanır: Bayesçi model ortalamasını yaklaştırır
- Değişken seçimi için kullanışlıdır: ilgisiz öngörücüleri dışlama eğilimindedir
- Aday kümesinde gerçek modelin olduğunu varsayar; aksi takdirde tutarsızdır
- Çok sayıda parametreye sahip modeller için çok büyük ceza; çok agresif olabilir
- AIC gibi, yalnızca göreceli değerler yorumlanabilir; mutlak değerler anlamsızdır
- Tam olabilirlik belirtimi gerektirir; tüm modellere uygulanamaz
SSS
BIC farklarını nasıl yorumlamalıyım?
Kaba bir kılavuz olarak: delta BIC < 2, daha yüksek BIC modeline karşı zayıf kanıt önerir, 2-6 olumlu kanıt, 6-10 güçlü kanıt, > 10 çok güçlü kanıt önerir. Bunlar kılavuzlardır; bağlam ve ön bilgi önemlidir.
BIC'yi AIC yerine ne zaman kullanmalıyım?
Daha basit, daha yorumlanabilir bir model istediğinizde BIC kullanın (açıklayıcı hedefler). Tahmin doğruluğunu önceliklendirdiğinizde AIC kullanın. Büyük örneklemlerde, BIC AIC'den çok daha muhafazakar hale gelir; BIC, AIC'nin kabul ettiği karmaşık modelleri reddedebilir.
Örneklem büyüklüğü BIC'yi nasıl etkiler?
Ceza k log(n), n ile büyür. Büyük örneklemler için BIC, ek parametreleri ağır bir şekilde cezalandırır; uyumdaki küçük iyileşmeler bile ek karmaşıklığı haklı çıkarmaz. Bu özellik BIC'yi tutarlı kılar (asimptotik olarak doğru modeli seçer), ancak küçük örneklemlerde çok katı olabilir.
BIC'yi iç içe olmayan model karşılaştırması için kullanabilir miyim?
Evet, BIC aynı verilere uydurulmuş herhangi iki modeli karşılaştırabilir. Ancak, ceza yapısı farklı olduğu için yorumlama AIC'den daha karmaşıktır. Her zaman BIC farklarını bildirin ve alan bilgisini kullanın.
BIC Bayesçi model karşılaştırmasını mı yaklaştırıyor?
BIC, belirli önsel varsayımlar altında (parametreler üzerinde üniform önseller) log Bayes faktörünü yaklaştırır. Daha gelişmiş Bayesçi yöntemler (son model olasılığı), resmi Bayesçi analiz için tercih edilebilir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Information Criterion. ScholarGate. https://scholargate.app/tr/model-evaluation/bayesian-information-criterion
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Düzeltilmiş R-kare (R²_adj)Model değerlendirme↔ karşılaştır
- Akaike Bilgi Kriteri (AIC)Model değerlendirme↔ karşılaştır
- Ortalama Karesel Hata (MSE)Model değerlendirme↔ karşılaştır
- Belirlilik katsayısı (R²)Model değerlendirme↔ karşılaştır