{"id":820,"date":"2011-11-16T18:08:56","date_gmt":"2011-11-16T17:08:56","guid":{"rendered":"https:\/\/abcdr.guyader.pro\/?p=820"},"modified":"2018-04-07T23:59:52","modified_gmt":"2018-04-07T22:59:52","slug":"comment-obtenir-le-critere-dakaike-aic","status":"publish","type":"post","link":"https:\/\/thinkr.fr\/abcdr\/comment-obtenir-le-critere-dakaike-aic\/","title":{"rendered":"Comment obtenir le crit\u00e8re d'Akaike avec R ? : AIC"},"content":{"rendered":"

Le crit\u00e8re d’Akaike (AIC) est un crit\u00e8re utilis\u00e9 pour la s\u00e9lection de mod\u00e8les. Ce crit\u00e8re repr\u00e9sente un compromis entre le biais diminuant avec le nombre de param\u00e8tres libres et la parcimonie, volont\u00e9 de d\u00e9crire les donn\u00e9es avec le plus petit nombre de param\u00e8tres possible. Il se calcule de la fa\u00e7on suivante -2log-likelihood + k<\/em>npar. Par d\u00e9faut on a souvent k=2. Le meilleur mod\u00e8le est celui qui poss\u00e8de l’AIC le plus faible.<\/p>\n

On obtient ce crit\u00e8re en utilisant la fonction AIC(objet,k=?), k=2 par d\u00e9faut. Prenons un exemple<\/p>\n




 library(MASS) #pour la fonction fitdistr
\u00a0
#\u00a0 z est un vecteur contenant les donn\u00e9es, on essaie de mod\u00e9liser ces donn\u00e9es par une distribution de weibull ou gamma
\u00a0
z<-c(14,14,14,17,17,17,17,17,17,17,17,17,17,17,17,17,17,17,17,17,17,17,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,23)
\u00a0
# on utilise la fonction fitdistr pour une loi Weibull, regarder ?fitdistr
\u00a0
paraw <- fitdistr(z,densfun=\"weibull\") 
loglikw<-logLik(paraw)\u00a0 # on peut avoir le loglikelihood
loglikw

#on fait la m\u00eame chose pour une loi gamma

parag<-fitdistr(z,densfun=\"gamma\")
loglikg<-logLik(parag)
loglikg

#AIC avec k=2 par d\u00e9faut

AIC(paraw)#environ 204
AIC(parag)#environ 209

#d'apr\u00e8s ce crit\u00e8re on choisirait la loi de weibull

#on v\u00e9rifie en recalculant les AIC directement

akaike<-function(npar,loglik,k){-2*loglik+k*npar}

akaike(2,loglikw[1],2)
akaike(2,loglikg[1],2)

 
<\/code><\/pre>\n
L’AIC est un crit\u00e8re comme les autres, faites en bon usage et n’en n’abusez pas trop!<\/p>\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
Le crit\u00e8re d’Akaike (AIC) est un crit\u00e8re utilis\u00e9 pour la s\u00e9lection de mod\u00e8les. Ce crit\u00e8re repr\u00e9sente un compromis entre le biais diminuant avec le nombre de param\u00e8tres libres et la parcimonie, volont\u00e9 de d\u00e9crire les donn\u00e9es avec le plus petit nombre de param\u00e8tres possible. Il se calcule de la fa\u00e7on suivante -2log-likelihood + knpar. Par d\u00e9faut on a souvent k=2. Le meilleur mod\u00e8le est celui qui poss\u00e8de l’AIC le plus faible. On obtient ce crit\u00e8re en utilisant la fonction AIC(objet,k=?), k=2 par d\u00e9faut. Prenons un exemple library(MASS) #pour la fonction fitdistr\u00a0#\u00a0 z est un vecteur contenant les donn\u00e9es, on essaie de mod\u00e9liser ces donn\u00e9es parRead More →<\/a><\/p>\n","protected":false},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","rop_custom_images_group":[],"rop_custom_messages_group":[],"rop_publish_now":"initial","rop_publish_now_accounts":{"twitter_399453572_399453572":""},"rop_publish_now_history":[],"rop_publish_now_status":"pending","jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[14],"tags":[],"class_list":{"0":"entry","1":"post","2":"publish","3":"author-melen","4":"post-820","6":"format-standard","7":"category-modelisation"},"acf":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p9O7Sx-de","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/820","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/comments?post=820"}],"version-history":[{"count":2,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/820\/revisions"}],"predecessor-version":[{"id":4146,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/820\/revisions\/4146"}],"wp:attachment":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/media?parent=820"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/categories?post=820"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/tags?post=820"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}