Lựa chọn mô hình bằng AIC và BIC: so sánh đúng, không biến thành cutoff
AIC và BIC chỉ có ý nghĩa tương đối trong một tập mô hình có cùng dữ liệu và likelihood so sánh được. Giá trị tuyệt đối 240 hay 2.400 không tự nói mô hình tốt hay xấu.
AIC = −2 log L + 2k; BIC = −2 log L + k log n. Chọn giá trị nhỏ hơn trong cùng candidate set, đọc chênh lệch và model weights khi cần, nhưng vẫn kiểm tra residuals, theory và validation.
AIC và BIC chỉ có nghĩa trong so sánh hợp lệ
- Cùng dữ liệu
Đảm bảo mẫu và biến quan sát phù hợp
- Cùng cơ sở
Kiểm tra likelihood và ước lượng
- AIC / BIC
Đọc chênh lệch giữa mô hình
- Lý thuyết
Đối chiếu mục tiêu và đặc tả
Sơ đồ khái niệm. Không diễn giải AIC hoặc BIC như một cutoff độ phù hợp tuyệt đối.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Cùng thưởng fit, khác phạt độ phức tạp
Cả hai đánh đổi likelihood với số tham số k. Mô hình có giá trị nhỏ hơn được ưu tiên tương đối; không có ngưỡng AIC/BIC đạt (Aho et al., 2014; Burnham & Anderson, 2004).
AIC và BIC có thể chọn khác nhau vì mục tiêu tiệm cận khác. Không nên trộn chúng thành một điểm trung bình.
| Tiêu chí | Công thức | Xu hướng |
|---|---|---|
| AIC | −2 log L + 2k | Tối ưu xấp xỉ/prediction; phạt 2k |
| BIC | −2 log L + k log n | Phạt mạnh hơn khi n lớn; hướng đến chọn mô hình thật trong điều kiện lý tưởng |
2. Điều kiện để so sánh hợp lệ
Nếu số quan sát thay đổi do missing hoặc outcome khác, log-likelihood không còn cùng chuẩn so sánh. Hãy dùng cùng complete-case set hoặc phương pháp xử lý missing thống nhất.
- Cùng outcome và cùng tập quan sát.
- Likelihood được định nghĩa trên cùng thang.
- Cùng cách xử lý missing.
- Candidate models có căn cứ, không tạo sau khi săn kết quả.
- Đếm tham số nhất quán.
- Estimator cho phép dùng tiêu chí thông tin tương ứng.
3. Đọc chênh lệch thay vì giá trị tuyệt đối
Tính ΔAICᵢ = AICᵢ − AICmin và tương tự cho BIC. Δ nhỏ nghĩa mô hình còn nhận được hỗ trợ tương đối; chênh lệch lớn cho thấy ít hỗ trợ hơn trong candidate set.
Akaike weights có thể mô tả trọng số bằng chứng tương đối và hỗ trợ model averaging. Các mốc Δ vẫn là hướng dẫn, không phải kiểm định p-value.
| Mô hình | k | AIC | ΔAIC | BIC | ΔBIC | Validation |
|---|---|---|---|---|---|---|
| M1 | … | … | … | … | … | RMSE … |
| M2 | … | … | … | … | … | RMSE … |
4. Mẫu báo cáo
Mẫu báo cáo tiếng Việt
Các mô hình được ước lượng trên cùng N = [ ] và cùng likelihood. Mô hình [ ] có AIC = [ ], ΔAIC = [ ], BIC = [ ], ΔBIC = [ ]. [AIC/BIC] ưu tiên [mô hình], trong khi validation cho [ ]. Lựa chọn cuối dựa trên [mục tiêu], theory, diagnostics và độ phức tạp.
- So cùng dữ liệu và outcome.
- Không diễn giải giá trị tuyệt đối.
- Báo cáo k và Δ.
- Không coi AIC/BIC là p-value.
- Đối chiếu residuals và validation.
- Công bố candidate set.
Kết luận
AIC và BIC giúp lựa chọn tương đối giữa các mô hình đã xác định. Chúng không thay thế lý thuyết, chẩn đoán residual hay kiểm tra dữ liệu mới.
Tài liệu tham khảo
- Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference. Sociological Methods & Research, 33(2), 261–304. https://doi.org/10.1177/0049124104268644
- Aho, K., Derryberry, D., & Peterson, T. (2014). Model selection for ecologists. Ecology, 95(3), 631–636. https://doi.org/10.1890/13-1452.1
Ghi chú học thuật: Với AICc ở mẫu nhỏ hoặc mô hình có nhiều tham số, cần dùng phiên bản hiệu chỉnh phù hợp. Phần mềm khác nhau có thể dùng hằng số likelihood khác; chỉ so trong cùng hệ thống khi chưa xác minh.