模型拟合、比较与可辨识性
Model fitting and comparison
★★★ 进阶方法统计
模型不是"越准越好",而是在拟合优度与复杂度之间做权衡,并检验参数是否可辨识。
核心要点
- 最大似然 + 交叉验证是金标准;AIC/BIC 提供复杂度的解析惩罚。
- 可辨识性:不同参数组合给出同一输出时,参数值没有解释意义。
- 模型比较应做"留一刺激 / 留一会话"的泛化检验,而非只看训练集拟合。
公式
AIC=2k-2lnL̂,
BIC=kln n-2lnL̂
BIC=kln n-2lnL̂
k 为参数个数,n 为样本量;BIC 的惩罚随样本量增长,因此更倾向简单模型。
直觉
常见误区
出处
- Burnham & Anderson 2002
- Wilson & Collins 2019, eLife(建模实践指南)