Bayesian information criterion for longitudinal and clustered data

2011 ◽  
Vol 30 (25) ◽  
pp. 3050-3056 ◽  
Author(s):  
Richard H. Jones
Keyword(s):  
Bayesian Information Criterion ◽  
Clustered Data ◽  
Information Criterion

scholarly journals Model Selection Procedures in Bounds Test of Cointegration: Theoretical Comparison and Empirical Evidence

Economies ◽  
2020 ◽  
Vol 8 (2) ◽  
pp. 49 ◽  
Author(s):  
Waqar Badshah ◽  
Mehmet Bulut
Keyword(s):  
Model Selection ◽  
Akaike Information Criterion ◽  
Bayesian Information Criterion ◽  
Selection Process ◽  
Information Criterion ◽  
Small Sample ◽  
Information Criteria ◽  
Path Model ◽  
Sample Sizes ◽  
Bounds Test

Only unstructured single-path model selection techniques, i.e., Information Criteria, are used by Bounds test of cointegration for model selection. The aim of this paper was twofold; one was to evaluate the performance of these five routinely used information criteria {Akaike Information Criterion (AIC), Akaike Information Criterion Corrected (AICC), Schwarz/Bayesian Information Criterion (SIC/BIC), Schwarz/Bayesian Information Criterion Corrected (SICC/BICC), and Hannan and Quinn Information Criterion (HQC)} and three structured approaches (Forward Selection, Backward Elimination, and Stepwise) by assessing their size and power properties at different sample sizes based on Monte Carlo simulations, and second was the assessment of the same based on real economic data. The second aim was achieved by the evaluation of the long-run relationship between three pairs of macroeconomic variables, i.e., Energy Consumption and GDP, Oil Price and GDP, and Broad Money and GDP for BRICS (Brazil, Russia, India, China and South Africa) countries using Bounds cointegration test. It was found that information criteria and structured procedures have the same powers for a sample size of 50 or greater. However, BICC and Stepwise are better at small sample sizes. In the light of simulation and real data results, a modified Bounds test with Stepwise model selection procedure may be used as it is strongly theoretically supported and avoids noise in the model selection process.

scholarly journals Prior-based Bayesian information criterion

2019 ◽  
Vol 3 (1) ◽  
pp. 2-13 ◽  
Author(s):  
M. J. Bayarri ◽  
James O. Berger ◽  
Woncheol Jang ◽  
Surajit Ray ◽  
Luis R. Pericchi ◽  
...  
Keyword(s):  
Bayesian Information Criterion ◽  
Information Criterion

scholarly journals Using Model Selection Criteria to Choose the Number of Principal Components

2021 ◽  
Vol 20 (3) ◽  
pp. 450-461
Author(s):  
Stanley L. Sclove
Keyword(s):  
Model Selection ◽  
Principal Components ◽  
Bayesian Information Criterion ◽  
Selection Criteria ◽  
Information Criterion ◽  
Information Criteria ◽  
Akaike's Information Criterion ◽  
Model Selection Criteria ◽  
Adequate Number ◽  
Number Of Principal Components

AbstractThe use of information criteria, especially AIC (Akaike’s information criterion) and BIC (Bayesian information criterion), for choosing an adequate number of principal components is illustrated.

scholarly journals Identificación de un modelo lineal adecuado para evaluar características pre-destete en ganado criollo colombiano Blanco Orejinegro

2021 ◽  
Vol 26 (1) ◽  
pp. 49-56
Author(s):  
Luisa Fernanda Naranjo Guerrero ◽  
Alberiro López Herrera ◽  
Juan Carlos Rincon Florez ◽  
Luis Gabriel González Herrera
Keyword(s):  
Akaike Information Criterion ◽  
Bayesian Information Criterion ◽  
Information Criterion ◽  
Modelo Lineal

La Raza criolla Blanco Orejinegro (BON) tiene un proceso de adaptación de más de 500 años a las condiciones ambientales de Colombia. Se caracteriza por ser una raza doble propósito utilizada para la producción de leche y carne, convirtiéndola en un patrimonio biológico de gran importancia que debe ser estudiado. El objetivo de este estudio fue identificar un modelo lineal adecuado para evaluar características pre-destete en ganado criollo Blanco Orejinegro. Se recolectó y depuró información de pesajes de cuatro hatos de ganado BON. Las características evaluadas fueron peso a los 4 meses (P4M), peso al destete (PD) y ganancia diaria de peso entre los 4 meses y el destete (GDP4M-D). Se evaluaron nueve modelos lineales en los que se incluyeron como efectos fijos los siguientes factores: sexo, hato, mes de pesaje o nacimiento, número de parto, época de pesaje o época de nacimiento (época seca o lluviosa), edad (covariable, efecto fijo y ajustada por regresión), año de pesaje o año de nacimiento y grupo contemporáneo (GC) compuesto por sexo y hato para GDP4M-D y sexo, hato y año de pesaje para P4M y PD, con mínimo cinco observaciones por GC. Para identificar el modelo lineal más adecuado para cada característica se utilizó el valor de AIC (Akaike information criterion), BIC (Bayesian information criterion), coeficiente de determinación (R2) y la suma de cuadrados del error (SCE). El modelo más adecuado para todas las características fue aquel que involucró el GC y edad como efecto fijo para P4M y edad como covariable para PD.

Sign in / Sign up

Export Citation Format

Share Document