en enkel formel för beräkning av AIC i OLS-ramverket (eftersom du säger linjär regression) finns i Gordon (2015, s. 201):
$$\text{AIC} = n *\ln\Big(\frac{SSE}{n}\Big)+2K $$
där SSE betyder summan av kvadrerade fel ($\sum(Y_i – \hat Y_i)^2$), $n$ är provstorleken och $K$ är antalet prediktorer i modellen plus en för avlyssningen., Även om AIC-värden inte är allmänt tolkbara kan skillnader mellan värden för olika modeller tolkas (ett antal frågor om CV täcker denna fråga, till exempel här). Så, modellen med den minsta AIC är vanligtvis vald. Det är lätt att se varför detta är fallet i ovanstående formel: allt annat är lika, eftersom SSE minskar, minskar AIC också.
i andra källor kan du hitta en mer allmän formel för maximal sannolikhet., Till exempel, i tillämpad regressionsanalys och generaliserade linjära modeller, tillhandahåller Fox:
$$\text{AIC}_j \equiv – \text{log}_eL(\hat \theta_j)+2s_j$$
Fox, J. (2016). Tillämpad regressionsanalys och generaliserade linjära modeller (3rd ed.). Los Angeles: Sage Publikationer.
Gordon, R. A. (2015). Regressionsanalys för samhällsvetenskaperna. New York och London: Routledge.
och den ursprungliga artikeln: