예측 모델의 반응 변수가 다른 경우 예측을 결합하는 방법은 무엇입니까?

소개

예측 조합에서 인기있는 솔루션 중 하나는 일부 정보 기준의 적용을 기반으로합니다. 예를 들어 모델 대해 추정 된 Akaike 기준 를 하면 와 의 차이 를 와 계산 한 다음 RP_j = e ^ {(AIC ^ *-AIC_j) / 2} 를 다음과 같이 해석 할 수 있습니다. 모델 j 의 상대 확률이 실제 확률입니다 . 가중치는 다음과 같이 정의됩니다$AIC_j$$j$$AIC_j$$AIC^* = \min_j{AIC_j}$$RP_j = e^{(AIC^*-AIC_j)/2}$$j$

문제

내가 극복하려고하는 어려움은 모델이 다르게 변형 된 반응 (내인성) 변수로 추정된다는 것입니다. 예를 들어 일부 모델은 연간 성장률을 기반으로하며 다른 모델은 분기 별 성장률을 기준으로합니다. 따라서 추출 된 $AIC_j$ 값은 직접 비교할 수 없습니다.

시도 된 솔루션

중요한 것은 $AIC$ 의 차이점이기 때문에 응답 변수 변환에 변하지 않는 기본 모델의 $AIC$ (예 : lm(y~-1)매개 변수없이 모델 을 추출하려고 시도 )를 취한 다음 $j$ 번째 모델과 기본 모델 $AIC$ . 그러나 여기서 약점이 남아있는 것 같습니다. 차이 는 반응 변수의 변환에 의해 영향을받습니다.

끝 맺는 말

"동일한 반응 변수에서 모든 모델 추정"과 같은 옵션이 가능하지만 시간이 많이 걸립니다. 문제를 해결할 다른 방법이 없다면 고통스러운 결정을 내리기 전에 빠른 "치료"를 검색하고 싶습니다.

모형을 비교하는 가장 신뢰할 수있는 방법 중 하나는 표본 외 오차 (예 : MAE)를 교차 검증하는 것입니다. 사과와 사과를 직접 비교하려면 각 모델에 대한 외인성 변수를 변형 해제해야합니다.