Az Akaike információs kritérium (általában egyszerűen AIC) egy kritérium beágyazott statisztikai vagy ökonometriai modellek közül. Az AIC alapvetõen a rendelkezésre álló ökonometriai modellek minõségének becsült mértéke mivel egy bizonyos adatkészlettel kapcsolatban állnak egymással, ezáltal ideális módszer a modell kiválasztására.
Az AIC használata statisztikai és ökonometrikus modellkiválasztáshoz
Az Akaike információs kritériumot (AIC) az információelmélet alapjaival fejlesztették ki. Az információelmélet az alkalmazott matematika egyik ága, amely az információ mennyiségi meghatározásával (a számolás és mérés folyamatával) kapcsolatos. Amikor az AIC segítségével megpróbálja megmérni az adott adatkészlet ökonometriai modelljeinek relatív minőségét, az AIC biztosítja a kutató számára azon információk becslése, amelyek elvesznének, ha egy adott modellt alkalmaznának a folyamatot előállító folyamat megjelenítésére adat. Mint ilyen, az AIC arra törekszik, hogy kiegyensúlyozza a kompromisszumokat egy adott modell összetettsége és a modell között
jó illeszkedés, amely a statisztikai kifejezés annak leírására, hogy a modell mennyire "illeszkedik" az adatokhoz vagy a megfigyelések csoportjához.Amit az AIC nem fog tenni
Mivel az Akaike információs kritérium (AIC) képes egy statisztikai és ökonometriai modellkészlettel és egy adott adatkészlettel, ez hasznos eszköz a modell kiválasztásában. De az AIC-nek mint modellkiválasztó eszköznek is vannak korlátai. Az AIC például csak a modell minőségének relatív tesztet nyújthat. Vagyis az AIC nem nyújt és nem képes egy olyan modell tesztelésére, amely abszolút értelemben vett információval szolgál a modell minőségéről. Tehát ha az összes vizsgált statisztikai modell egyformán nem kielégítő vagy nem megfelelő az adatokhoz, az AIC a kezdetektől nem adna semmiféle jelzést.
AIC az ökonometria szempontjából
Az AIC az egyes modellekhez társított szám:
AIC = ln (sm2) + 2m / T
Hol m a paraméterek száma a modellben, és sm2 (egy AR (m) példában) a becsült maradék szórás: sm2 = (a négyzet összege maradékok m) / T modell esetén. Ez a modell négyzetes maradékképessége m.
A kritérium minimalizálható a következő választásokkal szemben: m a modell illeszkedése közötti kompromisszum kialakítása (ami csökkenti a négyzet összegét) maradékok) és a modell bonyolultsága, amelyet a m. Így egy AR (m) modell és AR (m + 1) összehasonlítható ezzel a kritériummal egy adott adatsorra.
Ezzel egyenértékű összetétel: AIC = T ln (RSS) + 2K, ahol K a regresszorok száma, T a megfigyelések száma, és az RSS a négyzetek maradványösszege; minimalizálja K fölött a K kiválasztását.
Mint ilyen, biztosított egy sor ökonometria modellek esetén a relatív minőség szempontjából az előnyben részesített modell a legkevesebb AIC értékkel rendelkező modell.