Kryterium informacyjne Akaikego (AIC – od ang. Akaike Information Criterion) – zaproponowane przez Hirotugu Akaikego kryterium wyboru pomiędzy modelami statystycznymi o różnej liczbie predyktorów. Jest to jeden ze wskaźników dopasowania modelu. Na ogół model o większej liczbie predyktorów daje dokładniejsze przewidywania, jednak ma też większą skłonność do przeuczenia.

Akaike zaproponował, aby wybierać ten model dla którego najmniejsza jest wartość:

${\displaystyle AIC=-2\sum \limits _{j}\ln({\hat {\pi }}_{j})+2q,}$

gdzie:

${\displaystyle {\hat {\pi }}_{j}}$ – estymowane prawdopodobieństwo, przy założeniach danego modelu, uzyskania takiej właśnie wartości obserwacji ${\displaystyle j}$ jaka była naprawdę uzyskana,

${\displaystyle q}$ – liczba parametrów modelu.

Kryterium, wprowadzone początkowo w analizie szeregów czasowych, obecnie stosowane jest także w analizie regresji.

Należy podkreślić, że dokładniejszą metodą sprawdzania, czy model nie jest przeuczony, jest stosowanie walidacji krzyżowej.

Zobacz też

• bayesowskie kryterium informacyjne Schwarza
• kryterium informacyjne Hannana-Quinna

Bibliografia

• Akaike, H. (1973). Information theory and an extension of the maximum likelihood principle. W: B. N. Petrov i F. Csaki (red.), Second International Symposium on Information Theory. Budapeszt: Akademiai Kiado.