yksinkertainen kaava laskettaessa AIC vuonna OLS framework (koska et sanoa, lineaarinen regressio) löytyy Gordon (2015, s. 201):
$$\text{AIC} = n *\ln\Iso(\frac{N}{n}\Big)+2k $$
Missä SSE tarkoittaa Summa Potenssiin Virheitä ($\sum(Y_i-\hat Y_i)^2$), $n$ on otoksen koko, ja $k$ on useita ennustajia malli plus yksi leikkauspiste., Vaikka AIC-arvot eivät yleensä tulkittavissa, erot arvojen välillä eri malleja voidaan tulkita (useita kysymyksiä CV kattaa tämän ongelman, esimerkiksi täällä). Niinpä yleensä valitaan malli, jossa on pienin AIC. Se on helppo nähdä, miksi näin on edellä kaavalla: Kaikki muu on yhtä suuri, kuin SSE pienenee, AIC myös vähenee.
muista lähteistä saattaa löytyä yleisempi, mahdollisimman todennäköinen kaava., Esimerkiksi Soveltaa regressioanalyysia ja Yleistetyt Lineaariset Mallit, Fox tarjoaa:
$$\text{AIC}_j \equiv – \text{log}_eL(\hat \theta_j)+2s_j$$
Fox, J. (2016). Sovellettu regressioanalyysi ja yleistetyt lineaariset mallit (3.ed.). Los Angeles: Sage Publications.
Gordon, R. A. (2015). Regressioanalyysi Yhteiskuntatieteille. New York ja Lontoo: Routledge.
Ja alkuperäinen artikkeli: