Katakanlah kita harus GLMM
mod1 <- glmer(y ~ x + A + (1|g), data = dat)
mod2 <- glmer(y ~ x + B + (1|g), data = dat)
Model-model ini tidak bersarang dalam arti biasa:
a <- glmer(y ~ x + A + (1|g), data = dat)
b <- glmer(y ~ x + A + B + (1|g), data = dat)
jadi kita tidak bisa melakukan anova(mod1, mod2)
apa yang kita mau anova(a ,b)
.
Bisakah kita menggunakan AIC untuk mengatakan model mana yang terbaik?
sumber
Untuk referensi, sebuah argumen tandingan: Brian Ripley menyatakan dalam "Memilih di antara kelas-kelas besar model" hal. 6-7
Ripley, BD 2004. “Memilih di antara Kelas Besar Model.” Dalam Metode dan Model dalam Statistik , diedit oleh N. Adams, M. Crowder, D. J Hand, dan D. Stephens, 155–70. London, Inggris: Imperial College Press.
Akaike, H. (1973) Teori informasi dan perpanjangan prinsip kemungkinan maksimum. Dalam Simposium Internasional Kedua tentang Teori Informasi (Eds BN Petrov dan F. Cáski), hlm. 267–281, Budapest. Akademiai Kaidó. Dicetak ulang dalam Terobosan dalam Statistik , eds Kotz, S. & Johnson, NL (1992), volume I, hlm. 599-624. New York: Springer.
sumber
Tampaknya Akaike berpikir AIC adalah alat yang berguna untuk membandingkan model yang tidak bersarang.
(Akaike 1985, hal 399)
Akaike, Hirotugu. "Prediksi dan entropi." Makalah yang dipilih dari Hirotugu Akaike. Springer, New York, NY, 1985. 387-410.
sumber