Можете ли вы сравнить значения AIC, если модели основаны на одном и том же наборе данных?

Я делаю некоторые прогнозы в R, используя пакет прогнозов Роба Хиндмана . Бумага, принадлежащая упаковке, может быть найдена здесь .

В статье после объяснения алгоритмов автоматического прогнозирования авторы реализуют алгоритмы на одном и том же наборе данных. Однако, после оценки как экспоненциального сглаживания, так и модели ARIMA, они делают заявление, которое я не понимаю (на странице 17):

Обратите внимание, что информационные критерии не сопоставимы.

Я подумал, что преимущество использования AIC для выбора модели заключается в том, что мы можем сравнивать значения AIC из разных моделей, если они оцениваются с использованием одного и того же набора данных. Это неверно?

Этот вопрос представляет особый интерес для меня, так как я планировал объединить прогнозы из различных классов моделей (например, экспоненциальное сглаживание и ARIMA) с использованием так называемых весов Акаике (см. Burnham and Anderson, 2002, для обсуждения весов Акаике)

Ссылки

• Burnham, KP & Anderson, DR (2002). Выбор модели и мультимодельный вывод: практический информационно-теоретический подход. Springer Verlag.

Две модели по-разному относятся к начальным значениям. Например, после различий модель ARIMA вычисляется по меньшему количеству наблюдений, тогда как модель ETS всегда рассчитывается по полному набору данных. Даже когда модели эквивалентны (например, ARIMA (0,1,1) и ETS (A, N, N)), значения AIC будут отличаться.

По сути, вероятность модели ETS зависит от вектора начального состояния, в то время как вероятность нестационарной модели ARIMA зависит от первых нескольких наблюдений, даже если для нестационарных компонентов используется диффузный априор.