🔖 キーワード索引

本ページは BIC（Bayesian Information Criterion）を多角的に解説します。 上のチップは、 検索・関連語の手がかりです。

📍 文脈 — どこで使う概念か

BIC（Bayesian Information Criterion, ベイズ情報量規準）は、 1978 年に Schwarz が提案した モデル選択の標準ツール。 回帰、 時系列、 混合分布、 隠れマルコフモデル等の比較で広く使われます。 AIC と並ぶ二大選択基準で、 BIC は真のモデル選択、 AIC は予測性能と棲み分けるのが一般的理解です。

🎨 直感で掴む — 具体例で理解する

モデル選択の原理：

• モデルを複雑にすると、 データへの当てはまり（尤度）は良くなる
• しかし複雑すぎると 過学習で汎化性能が落ちる
• 「適合度の良さ」と「複雑さのペナルティ」のバランスが最適点

BIC は −2 log L（尤度の指標、 小さいほど適合度が良い）に、 k log n（パラメータ数 × log(サンプル数) のペナルティ）を足します。 これを 最小化するモデルを選ぶ。

AIC のペナルティは 2k で、 BIC の k log n よりも軽い。 サンプル数 n=100 なら log(100)≈4.6 で、 BIC は AIC の 2.3 倍厳しいことになります。

📐 定義・数式

AIC との比較：

🔬 記号・要素の読み解き

🧮 数値例・実値計算

例：3 つの回帰モデルを n=100 のデータで比較：

k=10 は適合度は最高だが、 ペナルティで負ける。 k=5 が BIC 最小で 選択される。

🐍 Python 実装例

最小コードで動かしてみる例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import statsmodels.api as sm
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
X = sm.add_constant(df[['高齢化率', '人口密度']])
y = df['死亡率']

model = sm.OLS(y, X).fit()
print(f'AIC = {model.aic:.2f}')
print(f'BIC = {model.bic:.2f}')

⚠️ よくある落とし穴

🌐 関連手法・派生

• AIC：予測性能寄りのモデル選択
• AICc：小標本補正版 AIC
• DIC：ベイズ統計でのモデル選択
• WAIC / WBIC：渡辺型情報量規準
• 交差検証：データ駆動でのモデル選択
• L1/L2 正則化：複雑さを連続的に制御

🔗 関連用語

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 モデル選択 — AIC/BIC/CV の使い分け