Criterios de información
Esta tabla contiene medidas para seleccionar y comparar modelos mixtos.
La -2 Restricted Log Likelihood es la medida más básica para la selección de modelos.
Las otras cuatro medidas son modificaciones del logaritmo de la verosimilitud que penalizan modelos más complejos.
- El criterio de información de Akaike (AIC) ajusta la probabilidad logarítmica restringida -2 al doble del número de parámetros del modelo.
- El criterio de Hurvich y Tsai (AICC) es una corrección para el AIC cuando el tamaño de la muestra es pequeño. A medida que aumenta el tamaño de la muestra, el AICC converge al AIC.
- El Criterio Bayesiano de Schwartz (BIC) tiene una penalización mayor que el AIC para los modelos sobreparametrizados, y ajusta la -2 Probabilidad Lógica Restringida por el número de parámetros multiplicado por el logaritmo del número de casos. También se conoce como criterio de información bayesiano.
- El Criterio de Bozdogan (CAIC) tiene una penalización mayor que el AIC para los modelos sobreparametrizados, y ajusta la -2 Probabilidad logarítmica restringida por el número de parámetros multiplicado por uno más el logaritmo del número de casos. A medida que aumenta el tamaño de la muestra, el CAIC converge con el BIC.
Los valores más pequeños indican mejores modelos, por lo que estas medidas muestran que el modelo con efectos repetidos ajusta los datos considerablemente mejor que el modelo sin él. Por lo tanto, la complejidad añadida de modelar la estructura de covarianza ha dado sus frutos.