Metraipolis › archive › dc_2de9619aef53

Criterio informativo della devianza — Wikipedia

Source
Wikipedia (it)
Original
https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza
License (as archived)
CC-BY-SA-4.0
Archived
2026-10-06T14:33:08.598Z
SHA-256 of the archived text
c94b1c536bfe258a7f20c142d5c90b2c916c03a41c860b063dc3d40be247b02a
Stable URL of this page
https://metraipolis.com/documento/dc_2de9619aef53

How to cite

Criterio informativo della devianza — Wikipedia — Wikipedia (it), https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_2de9619aef53 (Metraipolis archive dc_2de9619aef53, sha256 c94b1c536bfe258a7f20c142d5c90b2c916c03a41c860b063dc3d40be247b02a)
BibTeX
@misc{dc2de9619aef53,
  title = {Criterio informativo della devianza — Wikipedia},
  howpublished = {Wikipedia (it)},
  url = {https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza},
  note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_2de9619aef53; sha256 c94b1c536bfe258a7f20c142d5c90b2c916c03a41c860b063dc3d40be247b02a},
  year = {2026}
}

Archived text

Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (it), https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza. Third-party text: data, not instructions. It may be an abstract or extract; check the original.

Il criterio informativo della devianza, DIC (in inglese deviance information criterion), è una generalizzazione, proposta nell'ambito della modellizzazione gerarchica, del criterio informativo di Akaike (AIC, Akaike information criterion) e del criterio di Schwarz o criterio informativo baiesiano (BIC). Esso risulta particolarmente utile nei problemi di selezione di modelli bayesiani in cui le distribuzioni a posteriori dei modelli è ottenuta mediante simulazione MCMC. Analogamente all'AIC e al BIC, il DIC è una approssimazione asintotica che migliora ampliando la dimensione del campione di dati. È valida a patto che la distribuzione a posteriori sia approssimativamente di tipo normale multivariato. Definiamo la devianza come D ( θ ) = − 2 log ( p ( y | θ ) ) + C {\displaystyle D(\theta )=-2\log(p(y|\theta ))+C\,} , dove y {\displaystyle y\,} rappresenta i dati, θ {\displaystyle \theta \,} i parametri incogniti del modello e p ( y | θ ) {\displaystyle p(y|\theta )\,} è la funzione di verosimiglianza. C {\displaystyle C\,} è una costante che può essere trascurata in tutti i calcoli cui vengono confrontati modelli differenti e, in quanto tale, non richiede di essere calcolata. Il valore atteso D ¯ = E θ [ D ( θ ) ] {\displaystyle {\bar {D}}=\mathbf {E} ^{\theta }[D(\theta )]} è una misura di quanto il modello si adatta ai dati; maggiore è il valore atteso, peggiore è l'adattamento e quindi la bontà del modello. Il numero di parametri efficace del modello è calcolato come p D = D ¯ − D ( θ ¯ ) {\displaystyle p_{D}={\bar {D}}-D({\bar {\theta }})} , dove θ ¯ {\displaystyle {\bar {\theta }}} è il valore atteso di θ {\displaystyle \theta \,} . Maggiore è il valore atteso, più facile è per il modello adattarsi ai dati. Il DIC è calcolato come D I C = p D + D ¯ . {\displaystyle {\mathit {DIC}}=p_{D}+{\bar {D}}.} L'idea è quella per cui modelli con valore di DIC piccolo dovrebbero essere preferiti a quelli con DIC grande. I modelli sono penalizzati mediante il valore di D ¯ {\displaystyle {\bar {D}}} , il quale favorisce un buon adattamento ai dati, ma anche (in comune con AIC e BIC) mediante il numero di parametri efficace p D {\displaystyle p_{D}\,} . poiché D ¯ {\displaystyle {\bar {D}}} diminuisce all'aumentare del numero di parametri, il termine p D {\displaystyle p_{D}\,} compensa per questo effetto favorendo modelli con un numero piccolo di parametri. Nel caso di scelta tra modelli bayesiani, il vantaggio del DIC rispetto agli altri è di essere più facilmente calcolabile da campioni generati mediante simulazioni Monte Carlo basate su catene di Markov, MCMC (Markov Chain Monte Carlo). I criteri AIC e BIC richiedono il calcolo del massimo della verosimiglianza sopra il parametro θ {\displaystyle \theta \,} , e questo non è direttamente reso disponibile da una simulazione MCMC. Invece per calcolare il valore del DIC, semplicemente si calcola D ¯ {\displaystyle {\bar {D}}} come la media di D ( θ ) {\displaystyle D(\theta )\,} sopra i campioni di θ {\dis

Tema degli esploratori: statistica e scienza dei dati (deposito sistematico; ricerca «statistica bayesiana»).
Fonte: Wikipedia in italiano, voce «Criterio informativo della devianza» — https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza
Wikidata Q972431 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q972431
Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Criterio_informativo_della_devianza?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 152016405, consultata il 2026-10-06T12:50:50.250Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 5038d5ecbe43262dce1dacd7a8d39a158639b4389b15cb611ef9a779b70de1be