Формула, которую вы цитируете из своих заметок, не совсем AIC.
AIC - это .- 2 бревнаL +2k
Здесь я приведу схему приблизительного вывода, который достаточно ясно дает понять, что происходит.
Если у вас есть модель с независимыми нормальными ошибками с постоянной дисперсией,
L ∝ σ- не- 12 σ2Е & epsi ;2я
который может быть оценен при максимальной вероятности как
ααα( σ^2)- н / 2е-12N σ^2/ σ^2(σ^2)- н / 2е-12N(σ^2)- н / 2
(при условии, что оценка является оценкой ML)σ2
Так что (вплоть до смещения на постоянную)- 2бревнаL +2k=nlogσ^2+ 2 к
Теперь в модели ARMA, если действительно велико по сравнению с и , вероятность может быть аппроксимирована такой гауссовой структурой (например, вы можете написать ARMA приблизительно как более длинную AR и условие на достаточном количестве терминов, чтобы записать эту AR как модель регрессии), так что с вместо :p q TTпQTN
А яС≈ Tжурналσ^2+ 2 к
следовательно
А яС/ T≈ журналσ^2+ 2 к / т
Теперь, если вы просто сравниваете AIC, это деление на вообще не имеет значения, поскольку оно не меняет порядок значений AIC.T
Однако, если вы используете AIC для какой-то другой цели, которая зависит от фактического значения различий в AIC (например, для выполнения многомодельного вывода, как описано Бернхэмом и Андерсоном), то это имеет значение.
Многочисленные эконометрические тексты, кажется, используют эту форму AIC / T. Как ни странно, некоторые книги, кажется, ссылаются на Hurvich и Tsai 1989 или Findley 1985 для этой формы, но Hurvich & Tsai и Findley, кажется, обсуждают оригинальную форму (хотя у меня есть только косвенное указание на то, что Findley делает сейчас, так что, возможно, есть что-то в Финдли на это).
Такое масштабирование может быть выполнено по ряду причин - например, временные ряды, особенно высокочастотные временные ряды, могут быть очень длинными, а обычные AIC могут иметь тенденцию становиться громоздкими, особенно если очень мала. (Есть и другие возможные причины, но, поскольку я действительно не знаю причину, по которой это было сделано, я не начну перечислять все возможные причины.)σ2
Возможно, вы захотите взглянуть на список фактов и заблуждений АИК Роба Хиндмана , в частности пункты с 3 по 7. Некоторые из этих пунктов могут привести к тому, что вы будете хотя бы немного осторожнее полагаться на слишком сильное приближение по вероятности Гаусса, но может быть, есть лучшее оправдание, чем я предлагаю здесь.
Я не уверен, что есть веская причина использовать это приближение для логарифмической вероятности, а не для фактического AIC, поскольку многие пакеты временных рядов в наши дни имеют тенденцию вычислять (/ максимизировать) фактическую логарифмическую вероятность для моделей ARMA. Кажется, нет причин не использовать его.