拼盘测试,例如似然比(lratiotest.
),拉格朗日乘法器(lmtest.
)和沃尔德(Waldtest.
)测试,仅适用于比较嵌套模型。相比之下,信息标准是模型选择工具,用于比较适合与相同数据的模型 - 正在比较的模型不需要嵌套。
信息标准是基于可能性的模型拟合测量,包括复杂性的惩罚(具体地,参数的数量)。不同的信息标准由惩罚的形式区分,并且可以支持不同的模型。
让
表示模型的最大对数似然目标函数值k参数适合T数据点。这aicbic
函数返回以下信息标准:
赤池信息准则(AIC)。- AIC从信息熵的角度对模型进行比较,信息熵是由Kullback-Leibler发散度测量的。给定模型的AIC为
贝叶斯(Schwarz)信息标准(BIC)- 通过预期损失来衡量决策理论的角度,BIC比较模型。给定模型的BIC是
纠正AIC (AICc)-在小样本中,AIC倾向于过拟合。AIC为AIC增加了一个二阶偏差校正项,以便在小样本中获得更好的性能。给定模型的AICc是
偏压术语增加了相对于AIC的参数数量的惩罚。因为术语随着样本大小的增加而接近0,所以AICC接近AIC渐近。
分析[3]建议使用AICcnumObs / numParam
<40
.
一致的AIC (CAIC)- 与BIC相比,CAIC对复杂模型施加了额外的惩罚。给定模型的CAIC是
汉南 - 奎因标准(HQC)-在大样本中,HQC对复杂模型的惩罚比BIC小。给定模型的HQC为
不管信息标准是什么,当您比较多个模型的值时,更小的标准值表明更好、更精简的拟合。
一些专家缩放信息标准值T.aicbic
当你设置“正常化”
名称 - 值对参数真的
.
aicbic
这个例子展示了如何使用aicbic
为几个竞争的GARCH模型计算符合模拟数据的信息准则。尽管本示例使用了aicbic
,一些Statistics and Machine Learning Toolbox™和Econometrics Toolbox™模型拟合函数也在其估计摘要中返回信息标准。
模拟数据
从ARCH(1)数据生成过程(DGP)中模拟长度为50的随机路径
在哪里 是一个随机高斯系列的创新。
rng (1)重复性的%文章= garch (“拱”{0.1},'持续的',0.5);t = 50;Y =模拟(DGP,T);plot(y)ylabel('创新')xlabel(“时间”)
创建竞争模型
假设DGP是未知的,可用ARCH(1)、GARCH(1,1)、ARCH(2)和GARCH(1,2)模型来描述DGP。
对于每个竞争模式,创建一个garch
估计模型模板。
Mdl (1) = garch (0,1);Mdl (2) = garch (1,1);Mdl (3) = garch (0, 2);Mdl (4) = garch(1、2);
估计模型
将每个模型适合模拟数据y
,计算loglikeliach,并抑制估计显示。
nummdl = numel(mdl);logl = zeros(nummdl,1);%preallocatenumParam = 0 (numMdl, 1);为1:numMdl [EstMdl,~,logL(j)] =估计(Mdl(j),y,'展示','离开');结果=总结(EstMdl);numParam (j) = results.NumEstimatedParameters;结束
计算和比较信息标准
对于每个模型,计算所有可用的信息标准。根据样本量将结果归一化T
.
[〜,〜,ic] = aicbic(logl,numparam,t,“正常化”,真正的)
ic =结构与字段:AIC:[1.7619 1.8016 1.8019 1.8416] BIC:[1.8384 1.9163 1.9167 1.911.9167 1.911.1.8121 1.8124 1.8594] CAIC:[1.8784 1.9763 1.9767 2.0746] HQC:[1.7911 1.8453 1.8456 1.8999]
我知道了
是一个一维结构数组,每个信息标准都有一个字段。每个场包含一个测量向量;元素j
对应于产生对数似然的模型logl(
j
)
.
对于每个标准,确定产生最小值的模型。
[〜,minidx] = structfun(@ min,ic);[MDL(minidx).Description]'
ans =5 x1字符串GARCH(0,1)条件方差模型(高斯分布)GARCH(0,1)条件方差模型(高斯分布)GARCH(0,1)条件方差模型(高斯分布)GARCH(0,1)条件方差模型(高斯分布)GARCH(0,1)条件方差模型(高斯分布)
使所有标准最小化的模型是ARCH(1)模型,其结构与DGP相同。
[1]Akaike Hirotugu。信息理论和极大似然原理的扩展在Hirotugu Akaike的选定论文,由Emanuel Parzen,Kunio Tanabe和Genshiro Kitagawa,199-213编辑。纽约:斯普林斯,1998年。https://doi.org/10.1007/978-1-4612-1694-0_15.
[2]Akaike Hirotugu。“新看看统计模型识别。”自动控制学报19,没有。6(1974年12月):716-23。https://doi.org/10.1109/tac.1974.1100705.
[3]Kenneth P. Burnham和David R. Anderson。模型选择和多模推义:一种实用的信息 - 理论方法.第二届,纽约:斯普林斯,2002年。
[4]汉南,爱德华·J和巴里·g·奎恩。"确定自回归的顺序"英国皇家统计学会学报:B辑(方法论)41,没有。2(1979年1月):190-95。https://doi.org/10.1111/j.2517-6161.1979.tb01072.x.
[5]Lütkepohl, Helmut和Markus Krätzig,编辑。应用时间序列计量经济学.第一版,剑桥大学出版社,2004。https://doi.org/10.1017/cbo9780511606885..
[6]施瓦兹,吉迪恩。“估计模型的维度。”统计年鉴6,不。2(1978年3月):461-64。https://doi.org/10.1214/aos/1176344136.
aicbic
|lmtest.
|lratiotest.
|Waldtest.