prosty wzór do obliczania AIC w ramach OLS (ponieważ mówisz regresja liniowa) można znaleźć w Gordon (2015, str. 201):
$$\text{AIC} = n *\ln\Big(\frac{SSE}{N}\Big)+2K $$
Gdzie SSE oznacza sumę kwadratowych błędów ($\sum(Y_i-\hat y_i)^2$), $n$ to wielkość próby, A $K$ to liczba predyktorów w modelu plus jeden dla przechwycenia. , Chociaż wartości AIC nie są ogólnie interpretowalne, różnice między wartościami dla różnych modeli mogą być interpretowane(wiele pytań dotyczących CV obejmuje ten problem, na przykład tutaj). Tak więc zazwyczaj wybierany jest model z najmniejszym AIC. Łatwo zrozumieć, dlaczego tak jest w powyższym wzorze: Wszystko inne jest równe, ponieważ maleje SSE, AIC również maleje.
w innych źródłach można znaleźć bardziej ogólną formułę maksymalnego prawdopodobieństwa., Na przykład, w zastosowanej analizie regresji i uogólnionych modelach liniowych, Fox zapewnia:
$$\text{AIC}_j \equiv – \text{log}_eL(\hat \theta_j)+2s_j$$
Fox, J. (2016). Zastosowanie analizy regresji i uogólnione Modele liniowe (3rd ed.). Sage Publications.
Analiza regresji dla nauk społecznych. Nowy Jork i Londyn: Routledge.
i oryginalny artykuł: