Bisakah Anda membandingkan nilai AIC selama model didasarkan pada dataset yang sama?

Saya melakukan beberapa peramalan dalam R menggunakan paket perkiraan Rob Hyndman . Kertas milik paket dapat ditemukan di sini .

Dalam makalah, setelah menjelaskan algoritma peramalan otomatis, penulis mengimplementasikan algoritma pada set data yang sama. Namun, setelah memperkirakan model eksponensial smoothing dan ARIMA mereka membuat pernyataan yang saya tidak mengerti (pada halaman 17):

Perhatikan bahwa kriteria informasi tidak dapat dibandingkan.

Saya berpikir bahwa keuntungan menggunakan AIC untuk pemilihan model adalah bahwa kita dapat membandingkan nilai AIC dari model yang berbeda, selama mereka diperkirakan menggunakan set data yang sama. Apakah ini salah?

Hal ini sangat menarik bagi saya, karena saya berencana menggabungkan perkiraan dari kelas model yang berbeda (misalnya pemulusan eksponensial dan ARIMA) menggunakan apa yang disebut bobot Akaike (lihat Burnham dan Anderson, 2002, untuk diskusi tentang bobot Akaike)

Referensi

• Burnham, KP, & Anderson, DR (2002). Pemilihan model dan inferensi multi-model: pendekatan informasi-teori praktis. Springer Verlag.

Kedua model memperlakukan nilai awal secara berbeda. Sebagai contoh, setelah perbedaan, model ARIMA dihitung berdasarkan pengamatan yang lebih sedikit, sedangkan model ETS selalu dihitung pada set data lengkap. Bahkan ketika model setara (misalnya, ARIMA (0,1,1) dan ETS (A, N, N)), nilai-nilai AIC akan berbeda.

Secara efektif, kemungkinan model ETS tergantung pada vektor keadaan awal, sedangkan kemungkinan model ARIMA non-stasioner tergantung pada beberapa pengamatan pertama, bahkan ketika difus digunakan untuk komponen nonstasioner.