egy egyszerű képlet az AIC kiszámításához az OLS keretben (mivel lineáris regressziót mond) megtalálható a Gordon (2015, 201. o.):
$\text{AIC} = n *\ln\Big(\frac{SSE}{n}\Big)+2K$$
ahol az SSE Négyzetes hibák összegét jelenti ($\sum(Y_i-\hat y_i)^2$),$ n $a minta mérete,$ k $pedig a modellben lévő prediktorok száma plusz egy az elfogáshoz., Bár az AIC-értékek általában nem értelmezhetők, a különböző modellek értékei közötti különbségek értelmezhetők (az önéletrajz számos kérdése lefedi ezt a kérdést, például itt). Tehát általában a legkisebb AIC-vel rendelkező modellt választják ki. Könnyű megérteni, hogy miért van ez a helyzet a fenti képletben: minden más egyenlő, mivel az SSE csökken, az AIC is csökken.
más forrásokban általánosabb, maximális valószínűségi képletet találhat., Például az alkalmazott regressziós analízisben és az általánosított lineáris modellekben a Fox a következőket biztosítja:
$\text{AIC}_j \equiv – \text{log}_eL(\hat \theta_j) + 2s_j$
Fox, J. (2016). Alkalmazott regressziós analízis és generalizált lineáris modellek (3.ed.). Los Angeles: Sage Publications.
Gordon, R. A. (2015). Regressziós elemzés a társadalomtudományok számára. New York és London: Routledge.
és az eredeti cikk: