een eenvoudige formule voor de berekening van de AIC in het OLS-raamwerk (aangezien u lineaire regressie zegt) Kan worden gevonden in Gordon (2015, p. 201):
$$\text{AIC} = n *\ln\Big(\frac{SSE}{n}\Big)+2k $$
waar SSE de som van Kwadraatfouten betekent ($\sum(Y_i – \hat Y_i)^2$), $n$ is de steekproefgrootte, en $K$ is het aantal voorspellers in het model plus één voor de onderschepping., Hoewel AIC-waarden over het algemeen niet interpreteerbaar zijn, kunnen verschillen tussen waarden voor verschillende modellen worden geïnterpreteerd (een aantal vragen over CV behandelt dit probleem, bijvoorbeeld hier). Dus, het model met de kleinste AIC wordt meestal geselecteerd. Het is gemakkelijk te zien waarom dit het geval is in de bovenstaande formule: al het andere is gelijk, als de SSE afneemt, neemt de AIC ook af.
in andere bronnen vindt u mogelijk een meer algemene formule voor maximale waarschijnlijkheid., Bijvoorbeeld, in Applied Regression Analysis and Generalized Linear Models, biedt Fox:
$$ \ text{AIC}_j \ equiv – \text{log}_eL (\hat \ theta_j)+2s_j$$
Fox, J. (2016). Applied Regression Analysis and Generalized Linear Models (3rd ed.). Los Angeles: Sage Publications.(2015). (2015). Regressieanalyse voor de Sociale Wetenschappen. New York and London: Routledge.
en het oorspronkelijke artikel: