BIC
In diesem Beitrag
Was versteht man unter BIC?
Das Bayesian Information Criterion (BIC) ist ein Maß zum Vergleich statistischer Modelle. Es bewertet, wie gut ein Modell die beobachteten Daten erklärt, bestraft dabei aber gleichzeitig eine zu hohe Modellkomplexität. Entwickelt wurde es 1978 von Gideon Schwarz, weshalb es gelegentlich auch als Schwarz-Kriterium (SBC) bezeichnet wird.
Die Formel lautet:
Formel: BIC
Dabei steht für die maximierte Log-Likelihood des Modells, für die Anzahl der geschätzten Parameter und für die Stichprobengröße. Ein niedrigerer BIC-Wert bedeutet ein besseres Modell – es erklärt die Daten gut, ohne unnötig komplex zu sein.
Warum ist BIC für statistische Analysen wichtig?
In der Praxis stehen Forschende häufig vor der Frage: Welches von mehreren Modellen soll ich verwenden? Ein komplexeres Modell passt sich den Daten zwar immer besser an – aber es besteht die Gefahr des Overfittings, also dass das Modell zufällige Muster in den Daten lernt statt echter Zusammenhänge. Das BIC wirkt dem entgegen, indem es jeden zusätzlichen Parameter mit einem Strafterm belegt, der mit dem Logarithmus der Stichprobengröße skaliert.
Typische Anwendungsbereiche des BIC sind:
- Auswahl der geeigneten Anzahl von Prädiktoren in Regressionsmodellen
- Bestimmung der optimalen Clusteranzahl in Clusteranalysen
- Vergleich verschiedener Strukturgleichungsmodelle
- Modellselektion in der Zeitreihenanalyse (z. B. ARIMA-Modelle)
Im Vergleich zum verwandten AIC (Akaike Information Criterion) bestraft das BIC zusätzliche Parameter stärker – insbesondere bei großen Stichproben. Das BIC bevorzugt daher tendenziell sparsamere Modelle. Welches Kriterium besser geeignet ist, hängt vom Forschungsziel ab: Geht es um Vorhersagegenauigkeit, ist das AIC oft sinnvoller; geht es um die Identifikation des wahren Modells, spricht mehr für das BIC.
Praxisbeispiel zu BIC
Eine Forscherin untersucht, welche Faktoren den Studienerfolg von Studierenden vorhersagen. Sie testet drei Regressionsmodelle mit unterschiedlich vielen Prädiktoren:
| Modell | Prädiktoren | BIC |
|---|---|---|
| Modell 1 | Abiturnote | 312,4 |
| Modell 2 | Abiturnote, Lernzeit | 298,1 |
| Modell 3 | Abiturnote, Lernzeit, Schlafdauer, Freizeitaktivitäten, Pendelzeit | 305,7 |
Obwohl Modell 3 die Daten möglicherweise rechnerisch am besten anpasst, weist Modell 2 den niedrigsten BIC-Wert auf. Das BIC signalisiert, dass die zusätzlichen Prädiktoren in Modell 3 keinen ausreichenden Erklärungsgewinn bringen, um ihre höhere Komplexität zu rechtfertigen. Die Forscherin entscheidet sich daher für Modell 2 als bestes Modell.
