相対比較だけでなく絶対比較に使用できるモデルフィット統計（AICやBICなど）はありますか？

私はこの文献にあまり詳しくないので、これが明白な質問である場合はご容赦ください。

AICとBICは可能性を最大化することに依存しているため、特定のデータセットに適合させようとする一連のモデル間の相対比較を行う場合にのみ使用できるようです。私の理解によると、データセット1でモデルAのAICを計算し、データセット2でモデルBのAICを計算してから、2つのAIC値を比較してそれを判断することは意味がありません（たとえば）モデルAは、モデルBがデータセット2よりもデータセット1に適しています。または、おそらく私は誤っており、それは妥当なことです。私にお知らせください。

私の質問はこれです：単なる相対比較の代わりに絶対に使用できるモデル適合統計が存在しますか？線形モデルの場合、ようなものが機能します。定義された範囲があり、「良い」値とは何かに関する特定のアイデアを規律しています。もっと一般的なものを探しているので、ここから専門家にpingを送信することから始められると思いました。誰かがこのようなことを以前に考えたことがあると思いますが、Google Scholarで生産的な検索を行うための適切な用語がよくわかりません。$R^2$

任意の助けいただければ幸いです。

マクロの提案に沿って、あなたが探している用語はパフォーマンスの尺度だと思います。予測力を評価する安全な方法ではありませんが、さまざまなモデルのフィッティング品質を比較するのに非常に便利な方法です。

メジャーの例としては、平均平均誤差が挙げられますが、それらの多くは簡単に見つけることができます。

SetAをmodelAと一緒に使用して道路の穴の数を記述し、SetBとmodelBを使用して国の人々の数を記述した場合、もちろん、1つのモデルが他のモデルよりも優れているとは言えませんが、少なくとも、どのモデルがより正確な説明を提供しているかを確認してください。

私はあなたが探しているものを正確に探究しているいくつかの新しいものの論文があると思います。NakagawaとSchielzeth（2013）は、「R2 GLMM」と呼ばれる混合効果モデルのR²統計を提示して、モデルの原因不明の分散の量を定義しています。

条件付きR²GLMMは、固定要素とランダム要素の両方によって説明される分散として解釈されます。

限界R²GLMMは、固定係数によって説明される分散を表します。

2014年、ジョンソンはランダムな勾配モデルを考慮して方程式を更新しました。

幸い、Rのパッケージ「MuMIn」を使用して、限界R²GLMMと条件付きR²GLMMの両方を簡単に計算できます（Barton、2015）。