Sapma Bilgi Kriteri
Deviance İnformation Criterion (DIC)
Tanım
Hiyerarşik Bayesian modellerin karşılaştırılması ve model seçimi için kullanılan, Akaike Bilgi Kriteri (AIC) ve Bayes Bilgi Kriteri (BIC) ile benzer amaca hizmet eden ancak karmaşık yapılarda hesaplanması daha kolay olan bir uyum ve karmaşıklık indeksidir.
Örnek Vaka / Uygulama
Klinik psikoloji araştırmalarında, farklı hastanelerdeki tedavi etkinliklerini inceleyen çok düzeyli (hiyerarşik) bir model kurulur. Birinci modelde sadece hasta özellikleri (yaş, cinsiyet) yer alırken, ikinci modelde hastanelerin kurumsal özellikleri de rastgele etki olarak modele eklenir. Her iki model MCMC yöntemiyle tahmin edildikten sonra DIC hesaplanır. İkinci modelin DIC değeri birinci modele kıyasla belirgin şekilde düşük çıkarsa, eklenen hiyerarşik parametrelerin modelin veriyi açıklama gücünü artırdığı istatistiksel olarak doğrulanmış olur.
Derin Analiz
Sapma Bilgi Kriteri (DIC), özellikle Markov Zinciri Monte Carlo (MCMC) simülasyonlarının kullanıldığı ileri düzey hiyerarşik modellemede parametre tahminlerinin ardından modelin kalitesini değerlendirmek için geliştirilmiştir. Temel mantığı, modelin veriye uyum iyiliğini (posterior sapmanın ortalaması ile) modelin etkin parametre sayısı cinsinden karmaşıklığı ile dengelemektir. AIC ve BIC'den farklı olarak, sonsuz dağılımlardan doğrudan elde edilen örneklemler üzerinden hesaplandığı için karmaşık rastgele etkili modellerde ve latent değişken yapılarına sahip psikometrik veya epidemiyolojik modellemelerde hesaplama kolaylığı sağlar. Tüm bilgi kriterlerinde olduğu gibi, DIC değeri ne kadar küçükse, modelin genelleştirme kapasitesinin o kadar yüksek ve tercih edilebilir olduğu kabul edilir; ancak bu değer mutlak bir doğruluk ölçütü değil, göreceli bir kıyaslama aracıdır.
Etimoloji
İngilizce 'deviance' (sapma, Latinis deviare: yoldan sapmak) + 'information' (bilgi, Latinis informare: şekillendirmek/bilgilendirmek) + 'criterion' (kriter, Yunanca kritērion: karar verme ölçütü) kelimelerinin kısaltması.
Karıştırmayın
Akaike Bilgi Kriteri (AIC) ve Bayes Bilgi Kriteri (BIC) ile sıklıkla karıştırılır; AIC maksimum olabilirlik tahminlerine dayanır ve örneklem boyutuna duyarlıdır, BIC model boyutuna ağır bir ceza verir ve Bayessel sınırları farklıdır, DIC ise özellikle MCMC çıktılarıyla çalışan hiyerarşik Bayes modelleri için özel olarak optimize edilmiştir.