In most cases, we prefer the model

In most cases, we prefer the model that has fewest parameter to estimate, provided that
each one of the candidate models is correctly specified. This is called the most parsimonious
model of the set. The AIC does not always suggests the most parsimonious model, because
the AIC function is largely based on the log likelihood function. Davidson and McKinnon
(2004, 676) indicates that whenever two or more models are nested, the AIC may fail to
choose the most parsimonious one, if that these models are correctly specified. In another
case, if all the models are nonnested, and only one is well specified, the AIC chooses the wellspecified
model asymptotically, because this model has the largest value of the log likelihood
function.

ผลลัพธ์ (ไทย) 1:

ในกรณีส่วนใหญ่ เราชอบแบบที่มีพารามิเตอร์โดยการประเมิน ให้แต่ละคนของผู้สมัครได้ระบุอย่างถูกต้อง นี้เรียกว่า parsimonious มากที่สุดรูปแบบของชุด พรตไม่แนะนำแบบสุด parsimonious ไม่เสมอเนื่องจากฟังก์ชันพรตส่วนใหญ่ขึ้นอยู่กับฟังก์ชันล็อกโอกาส เดวิดสันและคิด(2004, 676) บ่งชี้ว่า เมื่อใดก็ ตามที่ซ้อนกันสอง หรือมากกว่าสองรุ่น AIC อาจล้มเหลวเลือก parsimonious สุด ถ้าระบุว่า รุ่นเหล่านี้ไว้อย่างถูกต้อง ในอีกกรณี ถ้าทุกรุ่น nonnested และเดียวกัน ระบุ AIC เลือก wellspecifiedรุ่น asymptotically เนื่องจากรุ่นนี้มีค่ามากสุดของโอกาสล็อกฟังก์ชัน

ผลลัพธ์ (ไทย) 2:

ในกรณีส่วนใหญ่เราชอบแบบที่มีพารามิเตอร์น้อยที่สุดในการประมาณการโดยมีเงื่อนไขว่า
แต่ละคนรุ่นผู้สมัครที่ระบุไว้อย่างถูกต้อง นี้เรียกว่าเค็มมากที่สุด
รูปแบบของชุด เอไอซีไม่เคยแสดงให้เห็นรูปแบบที่ประหยัดที่สุดเพราะ
ฟังก์ชั่น AIC ส่วนใหญ่จะขึ้นอยู่กับฟังก์ชั่นบันทึกของความน่าจะเป็น เดวิดสันและ McKinnon
(2004, 676) ระบุว่าเมื่อใดก็ตามที่สองหรือมากกว่าแบบจำลองจะซ้อนกันอยู่ AIC อาจล้มเหลวที่จะ
เลือกเค็มมากที่สุดคนหนึ่งหากที่รุ่นนี้มีการระบุไว้อย่างถูกต้อง ในอีก
กรณีถ้าทุกรุ่นจะ nonnested และมีเพียงหนึ่งมีระบุดีเอไอซีเลือก wellspecified
รุ่น asymptotically เพราะรุ่นนี้มีค่ามากที่สุดของการเข้าสู่ระบบความน่าจะเป็น
ฟังก์ชั่น