AIC i BIC w SEM

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza AIC i BIC w SEM?

AIC i BIC są kryteriami informacyjnymi równoważącymi dopasowanie i liczbę parametrów. Niższa wartość jest lepsza wyłącznie wśród modeli oszacowanych na tych samych danych, dla tej samej zmiennej wynikowej i porównywalnej funkcji wiarygodności.

Zastosowanie, warunki i dobre praktyki

AIC i BIC równoważą dopasowanie oparte na wiarygodności z karą za liczbę parametrów, przy czym BIC silniej karze złożoność wraz ze wzrostem N. Służą do względnego porównania modeli estymowanych na tych samych obserwacjach i tej samej zmiennej odpowiedzi. Mniejsza wartość nie dowodzi dobrego absolutnego dopasowania ani prawdziwości modelu.

Najważniejsze zastosowanie: Stosuj do porównania modeli niezagnieżdżonych w ML/MLR, modeli klas latentnych i decyzji o złożoności. BIC silniej karze liczbę parametrów wraz ze wzrostem N.

Jak to się oblicza i co oznaczają symbole?

AIC = −2 logL + 2k; BIC = −2 logL + k logN

logL jest logarytmem wiarygodności dopasowanego modelu, k liczbą swobodnie estymowanych parametrów, a N liczebnością próby. Oba kryteria nagradzają lepszą wiarygodność i karzą złożoność, przy czym kara BIC rośnie z N. Liczy się różnica między modelami estymowanymi na tych samych danych i dla tej samej zmiennej zależnej lub macierzy; bezwzględna wartość nie ma uniwersalnej interpretacji.

Jak poprawnie stosować i interpretować hasło „AIC i BIC w SEM”?

W odniesieniu do hasła „AIC i BIC w SEM” porównanie modeli w SEM wymaga ustalenia, czy modele są zagnieżdżone i estymowane na tych samych obserwacjach oraz zmiennych. Przy ocenie hasła „AIC i BIC w SEM” test różnicy χ² nadaje się do modeli zagnieżdżonych, natomiast AIC i BIC pozwalają porównywać także niektóre modele niezagnieżdżone przez bilans dopasowania i złożoności. W analizie dotyczącej hasła „AIC i BIC w SEM” mniejsza wartość kryterium informacyjnego wskazuje model względnie preferowany w danym zestawie, ale nie określa bezwzględnej jakości.

W analizie dotyczącej hasła „AIC i BIC w SEM” wariant testu różnicy musi odpowiadać estymatorowi; dla odpornych statystyk χ² lub WLSMV potrzebna jest właściwa skorygowana procedura, a nie proste odejmowanie liczb. Dla interpretacji hasła „AIC i BIC w SEM” AIC i BIC można porównywać tylko przy zgodnej definicji wyniku i danych. W odniesieniu do hasła „AIC i BIC w SEM” decyzję trzeba uzupełnić oceną parametrów, reszt i sensu ograniczeń teoretycznych.

Co trzeba opisać w raporcie?

W odniesieniu do hasła „AIC i BIC w SEM” raport powinien opisać oba modele, ich relację, estymator, liczebność oraz kryterium porównania. Przy ocenie hasła „AIC i BIC w SEM” dla testu różnicy należy podać Δχ², Δdf i wartość p w poprawnym wariancie; dla AIC i BIC — wartości wszystkich porównywanych modeli i różnice, bez arbitralnego testowania istotności tych kryteriów.

Zakres raportowania dla hasła „AIC i BIC w SEM”: Podaj AIC/BIC dla wszystkich porównywanych modeli, N, estymator i informację, że modele korzystały z identycznych obserwacji. Możesz raportować ΔAIC/ΔBIC.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Model A ma AIC 8120 i BIC 8290, model B AIC 8095 i BIC 8310. Kryteria wskazują różne kompromisy; decyzja wymaga teorii i walidacji, nie głosowania.

Jak ją zinterpretować: Mniejsza wartość wskazuje korzystniejszy kompromis dopasowania i złożoności wśród porównywanych modeli na tych samych danych. Nie mówi, że najlepszy z kandydatów jest bezwzględnie dobry ani teoretycznie poprawny.

Najczęstsza pułapka i granica interpretacji

Nie interpretuj bezwzględnej wartości. AIC/BIC nie mówią, gdzie model jest błędny i nie są porównywalne przy innych próbach lub transformacjach danych.

W analizie dotyczącej hasła „AIC i BIC w SEM” lepszy względny wynik nie dowodzi, że wybrany model jest prawdziwy lub dobrze dopasowany. Dla interpretacji hasła „AIC i BIC w SEM” kryteria mogą preferować różne modele, a selekcja po danych zwiększa potrzebę walidacji w niezależnej próbie.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Powiązane hasła

CFA (konfirmacyjna analiza czynnikowa)CFI (Comparative Fit Index)Identyfikacja modelu SEM Inwariancja pomiaru w CB-SEM Kowariancja reszt w SEM Macierz reszt standaryzowanych w SEM

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02

Cytowania BibTeX

@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}

@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}

@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}

@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}