主要内容

另类投资会议

赤池估计模型的信息准则

折叠所有页面

语法

值= aic(模型)
Value = aic(model1，…，modeln)
值= aic(___、测量)

描述

例子

价值= aic (模型）返回归一化的赤池信息准则(AIC)估计模型的值。

价值= aic (modeln model1…)返回多个估计模型的规范化AIC值。

例子

价值= aic (___，测量）指定AIC的类型。

例子

全部折叠

打开实时脚本

估计一个传递函数模型。

负载iddata1z1；Np = 2;Sys = tfest(z1,np);

计算归一化赤池的信息准则值。

值= aic(sys)
值= 0.5453

在模型估计时也计算该值。或者，使用报告属性来访问此值。

sys.Report.Fit.nAIC
Ans = 0.5453
打开实时脚本

估计一个传递函数模型。

负载iddata1z1；Np = 2;Sys = tfest(z1,np);

计算规范化赤池信息准则(AIC)值。这个语法等价于Aic_raw = aic(sys)．

Aic_raw = aic(sys，“代理人”）
Aic_raw = 0.5453

计算原始AIC值。

Aic_raw = aic(sys，“另类投资会议”）
Aic_raw = 1.0150e+03

计算样本容量校正AIC值。

Aic_c = aic(sys，“AICc”）
Aic_c = 1.0153e+03

计算贝叶斯信息准则(BIC)值。

Bic = aic(sys，“BIC”）
Bic = 1.0372e+03

这些值也在模型估计期间计算。或者，使用报告。适合属性来访问这些值。

sys.Report.Fit
ans =带字段的结构:FitPercent: 70.7720 LossFcn: 1.6575 MSE: 1.6575 FPE: 1.7252 AIC: 1.0150e+03 AICc: 1.0153e+03 nAIC: 0.5453 BIC: 1.0372e+03
打开实时脚本

估计多个输出误差(OE)模型，并使用小样本量校正的赤池信息准则(AICc)值来选择精度和复杂性之间的最佳权衡。

加载估计数据。

负载iddata2

指定型号顺序在1:4范围内变化。

Nf = 1:4;Nb = 1:4;Nk = 0:4;

用所选订单范围的所有可能组合估计OE型号。

NN = struc(nf,nb,nk);模型= cell(size(NN,1)，1);为ct = 1:大小(NN,1)模型{ct} = oe(z2, NN(ct，:));结束

计算模型的小样本量校正AIC值，并返回最小值。

V = aic(模型{:}，“AICc”）;[Vmin,I] = min(V);

返回具有最小AICc值的最佳模型。

模型{我}
ans =离散时间OE模型:y(t) = [B(z)/F(z)]u(t) + e(t) B(z) = 1.067 z^-2 F(z) =1 - 1.824 z^-1 + 1.195 z^-2 - 0.2307 z^-3采样时间:0.1秒参数化:多项式阶数:nb=1 nf=3 nk=2自由系数数:4使用"polydata"、"getpvec"、"getcov"表示参数及其不确定性。状态:在时域数据“z2”上使用OE估计。拟合估计数据:86.53% FPE: 0.9809, MSE: 0.9615

输入参数

全部折叠

已标识的模型，指定为以下模型对象之一:

AIC的类型，指定为以下值之一:

  • “代理人”-规范化AIC

  • “另类投资会议”-原始AIC

  • “AICc”-小样本量校正AIC

  • “BIC”-贝叶斯信息标准

看到赤池信息准则(AIC)获取更多信息。

输出参数

全部折叠

质量度量的值，作为标量或向量返回。对于多个模型，价值行向量在哪里值(k)对应于k估计模型modelk．

更多关于

全部折叠

赤池信息准则(AIC)

赤池的信息准则(AIC)通过模拟在不同数据集上测试模型的情况，提供了模型质量的度量。在计算了几个不同的模型之后，您可以使用这个标准对它们进行比较。根据赤池的理论，最准确的模型具有最小的AIC。如果同时使用相同的数据集进行模型估计和验证，随着模型顺序的增加，拟合度总是会提高，因此，模型结构的灵活性也会提高。

赤池的信息标准(AIC)包括以下质量指标:

  • 原始AIC，定义为:

    一个 我 C ＝ N ＊ 日志 （ 依据 （ 1 N ∑ 1 N ε （ t ， θ ＾ N ） （ ε （ t ， θ ＾ N ） ） T ） ） + 2 n p + N ＊ （ n y ＊ （ 日志 （ 2 π ） + 1 ） ）

    地点:

    • N估计数据集中的值的数量是多少

    • ε（t)是一个ny-by-1预测误差向量

    • θ N 表示估计的参数

    • np估计参数的数量是多少

    • ny模型输出的数量是多少

  • 小样本量校正AIC，定义为:

    一个 我 C c ＝ 一个 我 C + 2 n p ＊ n p + 1 N − n p − 1

  • 标准化AIC，定义为:

    n 一个 我 C ＝ 日志 （ 依据 （ 1 N ∑ 1 N ε （ t ， θ ＾ N ） （ ε （ t ， θ ＾ N ） ） T ） ） + 2 n p N

  • 贝叶斯信息准则，定义为:

    B 我 C ＝ N ＊ 日志 （ 依据 （ 1 N ∑ 1 N ε （ t ， θ ＾ N ） （ ε （ t ， θ ＾ N ） ） T ） ） + N ＊ （ n y ＊ 日志 （ 2 π ） + 1 ） + n p ＊ 日志 （ N ）

提示

  • 该软件在模型估计期间计算和存储赤池的所有类型的信息准则指标。如果要访问这些值，请参见报告。适合模型的属性。

参考文献

[1] Ljung, L。系统识别:用户的理论，新泽西州上鞍河，Prentice-Hall PTR, 1999。请参阅有关参数估计和最大似然方法的统计框架以及比较模型结构的章节。

版本历史

R2006a之前介绍

另请参阅

|

主题