Akaike Bilgi Kriteri
AIC
Tanım
Birden fazla istatistiksel modelin veri setine uyum kalitesini ve model karmaşıklığını aynı anda değerlendirerek en parsimonious (en az parametreyle en yüksek açıklamayı sağlayan) modeli seçmeyi sağlayan bir ölçüttür.
Örnek Vaka / Uygulama
Klinik psikolojide bir terapi yönteminin hastanın semptom azaltma hızı üzerindeki etkisini inceleyen bir araştırmacı, yaş, başlangıç kaygı düzeyi ve travma geçmişi gibi farklı değişken kombinasyonlarını içeren 4 ayrı regresyon modeli kurmuştur. Modellerin hata paylarını incelemek yerine AIC değerlerini hesaplamıştır: Model A (AIC: 210.4), Model B (AIC: 195.2), Model C (AIC: 194.8) ve Model D (AIC: 215.1). Model B ve C birbirine çok yakın çıkmış, ancak Model C en düşük AIC değerine sahip olduğu için, veri setini gereksiz karmaşaya sokmadan en optimal açıklayan model olarak seçilmiştir.
Derin Analiz
Akaike Bilgi Kriteri, bilgi teorisine (özellikle Kullback-Leibler ayrımına) dayanan bir model seçim aracıdır. Regresyon analizleri, yapısal eşitlik modellemesi (SEM) ve zaman serisi analizlerinde sıkça kullanılır. Temel matematiği, modelin olabilirlik fonksiyonunun (log-likelihood) maksimum değerini baz alırken, modelde kullanılan serbest parametre sayısını cezalandırarak aşırı uyumu (overfitting) engeller. Düşük AIC değeri, modelin gerçeğe daha yakın olduğunu ve veri setini minimum bilgi kaybıyla temsil ettiğini gösterir; ancak kendi başına mutlak bir iyilik ölçüsü değil, aynı veri setine fit edilen alternatif modeller arasında rölatif (göreli) bir kıyaslama aracıdır.
Etimoloji
Japon istatistikçi Hirotugu Akaike tarafından 1974 yılında geliştirilmiş olup, soyadı olan 'Akaike' ve İngilizce 'Information Criterion' [Bilgi Kriteri] kelimelerinin birleşiminden türetilmiştir.
Karıştırmayın
Bayes Bilgi Kriteri (BIC) ile sıkça karıştırılır. BIC, örneklem boyutuna daha sert cezalar uygularken, AIC model karmaşıklığına karşı daha esnektir ve genellikle öngörü odaklı modellerde tercih edilir.