El criterio de información de Akaike (AIC) es una medida de la calidad relativa de un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona un medio para la selección del modelo. AIC maneja un trade-off entre la bondad de ajuste del modelo y la complejidad del modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la información perdida cuando se utiliza un modelo determinado para representar el proceso que genera los datos.

Property Value
dbo:abstract
  • El criterio de información de Akaike (AIC) es una medida de la calidad relativa de un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona un medio para la selección del modelo. AIC maneja un trade-off entre la bondad de ajuste del modelo y la complejidad del modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la información perdida cuando se utiliza un modelo determinado para representar el proceso que genera los datos. AIC no proporciona una prueba de un modelo en el sentido de probar una hipótesis nula, es decir AIC no puede decir nada acerca de la calidad del modelo en un sentido absoluto. Si todos los modelos candidatos encajan mal, AIC no dará ningún aviso de ello. (es)
  • El criterio de información de Akaike (AIC) es una medida de la calidad relativa de un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona un medio para la selección del modelo. AIC maneja un trade-off entre la bondad de ajuste del modelo y la complejidad del modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la información perdida cuando se utiliza un modelo determinado para representar el proceso que genera los datos. AIC no proporciona una prueba de un modelo en el sentido de probar una hipótesis nula, es decir AIC no puede decir nada acerca de la calidad del modelo en un sentido absoluto. Si todos los modelos candidatos encajan mal, AIC no dará ningún aviso de ello. (es)
dbo:wikiPageExternalLink
dbo:wikiPageID
  • 5929337 (xsd:integer)
dbo:wikiPageLength
  • 6153 (xsd:integer)
dbo:wikiPageRevisionID
  • 125960747 (xsd:integer)
prop-es:apellido
  • Anderson (es)
  • Yang (es)
  • Davis (es)
  • Burnham (es)
  • Tsai (es)
  • Cavanaugh (es)
  • Takeuchi (es)
  • Hjort (es)
  • Akaike (es)
  • Brockwell (es)
  • Claeskens (es)
  • Hurvich (es)
  • McQuarrie (es)
  • Sugiura (es)
  • Anderson (es)
  • Yang (es)
  • Davis (es)
  • Burnham (es)
  • Tsai (es)
  • Cavanaugh (es)
  • Takeuchi (es)
  • Hjort (es)
  • Akaike (es)
  • Brockwell (es)
  • Claeskens (es)
  • Hurvich (es)
  • McQuarrie (es)
  • Sugiura (es)
prop-es:apellidoEditor
  • Bernardo (es)
  • Bernardo (es)
prop-es:año
  • 1974 (xsd:integer)
  • 1976 (xsd:integer)
  • 1978 (xsd:integer)
  • 1980 (xsd:integer)
  • 1987 (xsd:integer)
  • 1989 (xsd:integer)
  • 1991 (xsd:integer)
  • 1997 (xsd:integer)
  • 1998 (xsd:integer)
  • 2002 (xsd:integer)
  • 2004 (xsd:integer)
  • 2005 (xsd:integer)
  • 2008 (xsd:integer)
prop-es:capítulo
  • Likelihood and the Bayes procedure (es)
  • Likelihood and the Bayes procedure (es)
prop-es:doi
  • 101109 (xsd:integer)
prop-es:edición
  • 2 (xsd:integer)
prop-es:editor
  • et al. (es)
  • et al. (es)
prop-es:editorial
  • Cambridge (es)
  • Springer-Verlag (es)
  • Springer (es)
  • World Scientific (es)
  • University Press (es)
  • Cambridge (es)
  • Springer-Verlag (es)
  • Springer (es)
  • World Scientific (es)
  • University Press (es)
prop-es:editorlink
  • José-Miguel Bernardo (es)
  • José-Miguel Bernardo (es)
prop-es:enlaceautor
  • Hirotugu Akaike (es)
  • Hirotugu Akaike (es)
prop-es:idioma
  • japonés (es)
  • japonés (es)
prop-es:isbn
  • 0 (xsd:integer)
  • 981 (xsd:integer)
  • 387964061 (xsd:integer)
  • 387974296 (xsd:integer)
prop-es:mr
  • 423716 (xsd:integer)
prop-es:nombre
  • A. D. R. (es)
  • N. L. (es)
  • Y. (es)
  • K. (es)
  • G. (es)
  • N. (es)
  • Peter J. (es)
  • Richard A. (es)
  • C. M. (es)
  • J. E. (es)
  • K. P. (es)
  • D. R. (es)
  • C.-L. (es)
  • Hirotugu (es)
  • A. D. R. (es)
  • N. L. (es)
  • Y. (es)
  • K. (es)
  • G. (es)
  • N. (es)
  • Peter J. (es)
  • Richard A. (es)
  • C. M. (es)
  • J. E. (es)
  • K. P. (es)
  • D. R. (es)
  • C.-L. (es)
  • Hirotugu (es)
prop-es:nombreEditor
  • J. M. (es)
  • J. M. (es)
prop-es:número
  • 6 (xsd:integer)
prop-es:publicación
  • dbpedia-es:Biometrika
  • Biometrika (es)
  • IEEE Transactions on Automatic Control (es)
  • Communications in Statistics - Theory and Methods (es)
  • Sociological Methods and Research (es)
  • Statistics and Probability Letters (es)
  • Suri-Kagaku (es)
prop-es:páginas
  • 12 (xsd:integer)
  • 13 (xsd:integer)
  • 143 (xsd:integer)
  • 201 (xsd:integer)
  • 261 (xsd:integer)
  • 297 (xsd:integer)
  • 716 (xsd:integer)
  • 937 (xsd:integer)
prop-es:transChapter
  • Distribution of informational statistics and a criterion of model fitting (es)
  • Distribution of informational statistics and a criterion of model fitting (es)
prop-es:título
  • ??? (es)
  • Further analysis of the data by Akaike’s information criterion and the finite corrections (es)
  • Multimodel inference: understanding AIC and BIC in Model Selection (es)
  • A new look at the statistical model identification (es)
  • Bayesian Statistics (es)
  • Can the strengths of AIC and BIC be shared? (es)
  • Model Based Inference in the Life Sciences (es)
  • Model Selection and Model Averaging (es)
  • Regression and Time Series Model Selection (es)
  • Time Series: Theory and Methods (es)
  • Regression and time series model selection in small samples (es)
  • Unifying the derivations of the Akaike and corrected Akaike information criteria (es)
  • Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (es)
  • ??? (es)
  • Further analysis of the data by Akaike’s information criterion and the finite corrections (es)
  • Multimodel inference: understanding AIC and BIC in Model Selection (es)
  • A new look at the statistical model identification (es)
  • Bayesian Statistics (es)
  • Can the strengths of AIC and BIC be shared? (es)
  • Model Based Inference in the Life Sciences (es)
  • Model Selection and Model Averaging (es)
  • Regression and Time Series Model Selection (es)
  • Time Series: Theory and Methods (es)
  • Regression and time series model selection in small samples (es)
  • Unifying the derivations of the Akaike and corrected Akaike information criteria (es)
  • Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (es)
prop-es:ubicación
  • Valencia (es)
  • Valencia (es)
prop-es:url
prop-es:volumen
  • 19 (xsd:integer)
  • 31 (xsd:integer)
  • 33 (xsd:integer)
  • 76 (xsd:integer)
  • 92 (xsd:integer)
  • 153 (xsd:integer)
  • A7 (es)
dct:subject
rdfs:comment
  • El criterio de información de Akaike (AIC) es una medida de la calidad relativa de un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona un medio para la selección del modelo. AIC maneja un trade-off entre la bondad de ajuste del modelo y la complejidad del modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la información perdida cuando se utiliza un modelo determinado para representar el proceso que genera los datos. (es)
  • El criterio de información de Akaike (AIC) es una medida de la calidad relativa de un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona un medio para la selección del modelo. AIC maneja un trade-off entre la bondad de ajuste del modelo y la complejidad del modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la información perdida cuando se utiliza un modelo determinado para representar el proceso que genera los datos. (es)
rdfs:label
  • Criterio de información de Akaike (es)
  • Criterio de información de Akaike (es)
prov:wasDerivedFrom
foaf:isPrimaryTopicOf
is dbo:wikiPageRedirects of
is foaf:primaryTopic of