Entendo 'Akaike and Schwarz (Bayesian) Information Criterion' na Prática

‘Akaika e Schwarz Information Criterion’ são métodos usados para se fazer a escolha de um modelo dentre vários modelos desenvolvidos.

Conhecidos como AIC e BIC. Tem também s² que penaliza parâmetros. Qual destes escolher? Aquele que tiver mais consistência? Terá consistência se (i)

Usados em modelos de séries temporais (do tipo ‘Auto Regressive models’) e também em outros modelos que usam regressão.

A premissa é de que sempre que se adiciona mais parâmetros em um modelo, o modelo consegue explicar melhor as variações passadas, ou seja, ele se encaixa melhor.

O modelo com melhor fit vai ter um menor AIC (que irá penalizar o incremento de mais variáveis explicaticas).

O modelo precisa ter um bom fit (log likelihood alto) com poucas variáveis, ou seja, precisa ser encontrado um equilíbrio ideal.

AIC foca em fit e números de parâmetros, enquanto BIC considera além disso, o tamanho da amostra (n).

\[AIC = 2k - 2l\] \[BIC = ln(n)k - 2l\]

library(tidyverse)
library(lmtest)
library(corrplot)
library(readxl)

Também vou criar uma função para facilitar a padronização dos gráficos que serão gerados.

theme_graph <- function(){
  theme(
    plot.title = element_text(size = 16),
    plot.subtitle = element_text(size = 12),
    plot.caption = element_text(face = "italic", size = 9),
    axis.text = element_text(size = 9),
    axis.title = element_text(face = "italic", size = 9),
    strip.background = element_rect(fill = "grey"),
    strip.text = element_text(face = "bold"),
    legend.title = element_blank(),
    legend.position = "bottom",
    panel.grid.major = element_line(
        rgb(198, 198, 216, maxColorValue = 255),
        linetype = "dotted"), 
    panel.grid.minor = element_line(
        rgb(198, 198, 216, maxColorValue = 255),
        linetype = "dotted"),
    panel.background = element_rect(fill = "#FEFDFF")
  )
}