matlab aicbic 函数,模型选择——AIC&BIC（matlab）

在建立ARMA和GARCH模型的时候，我们常常需要涉及到模型阶数(如GARCH(p,q)中p和q)的选择问题，在这里我们使用AIC和BIC两个计算参数进行判断：

什么是AIC和BIC？

两者定义来源于信息准则：研究者通过加入模型复杂度的惩罚项来避免过拟合问题，随后推出了两个优选模型的准则：赤池信息准则(Akaike Information Criterion，AIC)和贝叶斯信息准则(Bayesian Information Criterion，BIC)。

AIC(赤池弘次,1974)的定义为：

AIC = 2*N - Ln(L)    * 这里N表示  模型参数个数的个数，L表示模型得出的  似然函数最优值

所以根据AIC的定义可知，当模型越复杂或者似然函数越小，AIC值越大。而我们的目标一般是选择AIC较小的模型(即希望模型简单，并且模型的拟合度高，其中对参数N的要求表示了我们不希望模型出现过拟合的情况)。

BIC(Schwarz,1978)的定义为：

BIC = N*Ln(n) - Ln(L)    * 这里N表示 模型参数个数的个数，L表示模型得出的  似然函数 最优值， n是模型中的  观测值数量  。

从AIC模型中我们可以看到没有考虑观测值数量，从统计学知识中我们可以知道随着观测值数量的增加，误差也可能随之上升，所以BIC中引入了观测值数量对模型进行判断。同AIC，BIC也是越小越好。

如何通过matlab实现AIC和BIC的判断？

1 P = 3; Q = 3; LOGL = zeros(P,Q); PQ = zeros(P,Q); n &#