Opened 15 years ago
Closed 12 years ago
#421 closed enhancement (fixed)
Implementación del criterio Schwarz
| Reported by: | igonzalez | Owned by: | Pedro Gea |
|---|---|---|---|
| Priority: | blocker | Milestone: | Dev.1 Diagnosis |
| Component: | Tests | Keywords: | |
| Cc: |
Description (last modified by )
Quería saber si está implementado el criterio de Schwarz en MMS, tanto para la estrategia "Estimate" como para "BSR", y si es así, por favor explicarme cómo obtenerlo.
Change History (8)
comment:1 Changed 15 years ago by
| Priority: | major → critical |
|---|
comment:2 Changed 15 years ago by
| Priority: | critical → blocker |
|---|
comment:3 Changed 15 years ago by
| Description: | modified (diff) |
|---|---|
| Owner: | set to Pedro Gea |
| Status: | new → accepted |
| Summary: | Implementación del criterio Schwartz → Implementación del criterio Schwarz |
| Type: | doubt → enhancement |
No hay aún un plan concreto para tratar todo lo relacionado a la diagnosis. Véase #352 y #353. En la mayor parte de estos casos lo complicado está en disponer de una definición clara y adecuada de lo que se quiere implementar.
Anoto aquí algunos enlaces relativos a la implementación propuesta: BIC, AIC, DIC, KLIC.
Renombro el tique de acuerdo al nombre de su autor Gideon Schwarz (sin t).
Nótese que TOL tiene implementado un mecanismo de cálculo del BIC (también conocido como criterio de Schwarz) relativo al número de observaciones e implementado como SwartzInf(residuals, n) donde n es el número de parámetros estimados.
comment:4 Changed 13 years ago by
| sensitive: | → 0 |
|---|---|
| Status: | accepted → assigned |
comment:5 Changed 13 years ago by
| Milestone: | Next → Dev.1 Diagnosis |
|---|---|
| version: | → 1 |
comment:6 Changed 12 years ago by
comment:7 Changed 12 years ago by
El método GetStatistic.BIC de los resultados de un submodelo devuelve el valor del criterio de información de Schwarz de acuerdo a la siguiente definición:
BIC == -2*LL + k*Log(n)
donde LL es el logaritmo de la verosimilitud, n el número de datos y k el número de parámetros.
Otra definición, también utilizada y que varía con esta un valor constante es:
BIC' == n*Log(Sigma2) + k*Log(n)
como puede verse si tomamos como valor del logaritmo de la verosimilitud:
-2*LL == n*Log(2*Pi) + n*Log(Sigma2) + Sum_t(R_t^2)/Sigma2
Otra variante también muy usada es su valor normalizado o relativo, que consiste en el valor anterior del BIC, dividido por el número de datos:
BIC_R = BIC / n
comment:8 Changed 12 years ago by
| Resolution: | → fixed |
|---|---|
| Status: | assigned → closed |
Con los métodos:
* ::GetSigma2(?) * ::GetStatistic.DataSize(?) // n * ::GetStatistic.ParameterSize(?) // k * ::GetStatistic.LogLikelihood(?) // LL
podemos obtener las distitnas variantes mencionadas anteriormente.
![(please configure the [header_logo] section in trac.ini)](/mms/chrome/site/logomms.png)
¿Tenemos fecha objetivo para solucionar este ticket?