赤池信息准则AIC的应用例子

AIC的应用通常涉及以下步骤：

1. 建立多个模型：首先，对于一组数据，你需要建立多个候选模型。每个模型可能包含不同数量的解释变量。
2. 计算每个模型的AIC：然后，你需要计算每个模型的AIC值。根据AIC的定义，对于每个模型，计算对数似然（logLik）和模型参数数量（p）。
3. 比较AIC值：比较所有模型的AIC值，寻找AIC值最小的模型。
   现在，我们用一个具体的例子来解释这一过程。假设我们有一组关于房屋价格的数据，我们想要建立一个模型来预测房价。我们有以下几个变量可以用作模型的解释变量：
   • X1: 房屋大小（平方米）
   • X2: 房屋年龄（年）
   • X3: 卧室数量
   • X4: 浴室数量
   • X5: 是否有车库

我们可以建立几个不同的模型：

• 模型1: 只用房屋大小作为解释变量
• 模型2: 用房屋大小和房屋年龄作为解释变量
• 模型3: 用房屋大小、房屋年龄和卧室数量作为解释变量
• 以此类推
  对每个模型，我们使用回归分析来计算其对数似然值（logLik），并计算参数的数量（p）。

举个例子，如果模型1的logLik是-300，模型有1个参数，那么AIC为：
$$AI{C}_{模型1}=-2\times (-300)+2\times 1=600+2=602$$

同理，我们可以计算模型2、模型3等的AIC。假设模型2的logLik是-295，有2个参数，则AIC为：
$$AI{C}_{模型2}=-2\times (-295)+2\times 2=590+4=594$$

如果模型3的logLik是-292，有3个参数，则AIC为：
$$AI{C}_{模型3}=-2\times (-292)+2\times 3=584+6=590$$

在这个例子中，模型3有最低的AIC值，因此根据AIC准则，模型3是最佳的模型。

最后一步，我们会选择AIC值最小的模型3来进行预测，因为它在复杂度和拟合优度之间达到了最好的平衡。

在R语言中计算对数似然值

在R语言中，可以使用多种方法来计算对数似然值，具体取决于你的模型类型。对于线性模型，可以使用lm()函数来拟合模型，然后使用logLik()函数来获取对数似然值。
我们将使用R中自带的’mtcars’数据集作为这个例子。我们将使用’wt’（重量）和’hp’（马力）来预测’mpg’（每加仑英里数）。

data(mtcars)

model <- lm(mpg ~ wt + hp, data=mtcars)

手动使用对数似然值来计算AIC

# 计算模型的对数似然值
log_likelihood <- logLik(model)

# 输出对数似然值。
print(log_likelihood)

# AIC使用以下公式计算：-2 * 对数似然值 + 2 * 参数数量
# 参数的数量是模型中的系数数量（包括截距）。
aic_value <- -2 * as.numeric(log_likelihood) + 2 * length(coef(model))

# 输出AIC值。
print(aic_value)

也可以直接调用 AIC() 函数。

# 直接获取AIC值
aic_value <- AIC(model)

# 打印AIC值
print(aic_value)