AIC (Akaikes Informationskriterium; nach engl.: Akaike's Information Criterion)

Das AIC ist ein Maß zur Beurteilung der »Güte« von multivariaten Modellen, die auf Maximum Likelihood-Schätzungen basieren (beispielsweise die logistische Regression und verwandte Verfahren). Es soll vor allem helfen, unterschiedliche nicht-geschachtelte Modelle (über den gleichen Datensatz!) zu vergleichen. (Nicht-geschachtelte Modelle sind solche, von denen sich nicht eines als »Unterfall« des anderen verstehen lässt, anders formuliert, von denen jedes mindestens eine Variable enthält, die in dem jeweils anderen Modell nicht enthalten ist.)

Für die Berechnung des AIC lassen sich zahlreiche Varianten finden, aber die gebräuchlichste (und einfachste) scheint immer noch folgende zu sein:

Dabei ist LL die Log-Likelihood des jeweiligen Modells und k die Zahl der Regressionsparameter (ohne Modellkonstante).

In dieser Variante passt ein Modell umso besser zu den Daten (oder umgekehrt), je kleiner der Wert des AIC ist.

Eine Alternative zum AIC, die in jüngster Zeit mehr favorisiert wird, ist das BIC.