Le calculateur de comparaison de modèles par le BIC compare deux modèles de régression avec le critère d’information bayésien, et donne l’AIC, l’écart, la force de la preuve et la probabilité approchée de chaque modèle.
Comment se fait le calcul
- Saisissez le nombre d’observations.
- Saisissez la somme des carrés des résidus et le nombre de paramètres de chaque modèle.
- Le calculateur donne le BIC et l’AIC des deux modèles, l’écart, et la probabilité du modèle A.
Exemple
Avec 100 observations, le modèle A a une somme de carrés de 250 et 3 paramètres, et le modèle B 230 et 6 paramètres. Le BIC est de 105,44 pour A et 110,92 pour B, un écart de 5,48, donc le BIC préfère A avec une probabilité d’environ 93,9 %. L’AIC vaut 97,63 contre 95,29, et préfère B : les critères divergent car le BIC pénalise davantage la complexité.
Pourquoi c’est utile
Le calculateur aide les étudiants, les chercheurs et les analystes qui choisissent entre des régressions emboîtées ou concurrentes et veulent une comparaison rapide à partir des résultats de leur logiciel.
À savoir
Les formules supposent des modèles ajustés par moindres carrés avec des erreurs normales et comparés sur les mêmes données. Le nombre de paramètres doit inclure la constante, et certains logiciels comptent aussi la variance de l’erreur, ce qui décale les deux modèles de la même quantité, donc l’écart n’est pas modifié. Le BIC est une approximation du logarithme d’un facteur de Bayes, valable pour de grands échantillons, et les probabilités sont approximatives. Ne comparez pas des modèles ajustés sur des réponses différentes ou avec un nombre d’observations différent. Les critères ne sont pas des tests : un BIC bas dit qu’un modèle est le meilleur parmi ceux essayés, pas qu’il est correct. Vérifiez aussi les résidus et l’usage prévu.
Outils liés
Le calculateur de régression linéaire ajuste une droite, celui de R carré mesure l’ajustement, celui de facteur de Bayes compare des hypothèses et celui de puissance statistique planifie les tailles d’échantillon.