Proceedings of the First US/Japan Conference on the Frontiers of Statistical Modeling: An Informational Approach: Volume 2 Multivariate Statistical Modeling

اغلب یک تحلیل آماری شامل استفاده از مجموعه ای از مدل های جایگزین برای داده ها می شود. یک \"معیار انتخاب مدل\" فرمولی است که شایستگی مدل‌های جایگزین را ارائه می‌کند. به طور کلی مدل های جایگزین شامل تعداد متفاوتی از پارامترها هستند. معیارهای انتخاب مدل، خوبی یا برازندگی یک مدل و تعداد پارامترهای مورد استفاده برای دستیابی به آن تناسب را در نظر می‌گیرند. 1.1. مجموعه‌ای از مدل‌های جایگزین بنابراین تمرکز در این مقاله بر روی موقعیت‌های تحلیلی داده‌ها است که در آن مجموعه‌ای از مدل‌های جایگزین در نظر گرفته می‌شود. انتخاب مجموعه ای از متغیرهای توضیحی در رگرسیون، درجه یک رگرسیون چند جمله ای، تعداد عوامل در تحلیل عاملی، یا تعداد گردگیرها در تحلیل گردگیر نمونه هایی از چنین موقعیت هایی هستند. 1.2. انتخاب مدل در مقابل آزمون فرضیه در تجزیه و تحلیل داده های اکتشافی یا در مرحله مقدماتی استنتاج، رویکردی که در معیارهای انتخاب مدل وجود دارد، می تواند برتری هایی را نسبت به آزمون فرضیه ها ارائه دهد. رویکرد انتخاب مدل از مشکل تعیین نرخ خطا برای تست ها جلوگیری می کند. با انتخاب مدل، او می تواند به جای در نظر گرفتن دنباله ای از مدل های ساده تر و ساده تر، بر رقابت همزمان بین مجموعه ای از مدل های رقیب تمرکز کند.

Often a statistical analysis involves use of a set of alternative models for the data. A "model-selection criterion" is a formula which provides a figure-of­ merit for the alternative models. Generally the alternative models will involve different numhers of parameters. Model-selection criteria take into account hoth the goodness-or-fit of a model and the numher of parameters used to achieve that fit. 1.1. SETS OF ALTERNATIVE MODELS Thus the focus in this paper is on data-analytic situations ill which there is consideration of a set of alternative models. Choice of a suhset of explanatory variahles in regression, the degree of a polynomial regression, the number of factors in factor analysis, or the numher of dusters in duster analysis are examples of such situations. 1.2. MODEL SELECTION VERSUS HYPOTHESIS TESTING In exploratory data analysis or in a preliminary phase of inference an approach hased on model-selection criteria can offer advantages over tests of hypotheses. The model-selection approach avoids the prohlem of specifying error rates for the tests. With model selection the focus can he on simultaneous competition between a hroad dass of competing models rather than on consideration of a sequence of simpler and simpler models.