我们使用 Akaike 或 Schwarz 信息标准来比较一组“候选模型”。候选人意味着您已经拟合了回归模型并进行了模型充分性检查，包括残差的正态假设。您只是不确定用于拟合模型的参数数量与拟合的紧密度之间的平衡。即使您在 AIC 或 BIC 标准的定义中可能看不到直接的正态性假设，但是（据我所知）您需要在比较模型之前检查正态性假设。当然，您仍然可以应用这些标准，即使对于非正常错误也是如此。但是你最终的模型有多大意义，将是一个很大的问号。你也可以看看这个问题。

AIC 和 BIC 都包含两个元素：可能性和参数数量的惩罚。可能性不一定是正常的可能性，它可以是你认为合理的任何东西。

但是，如果您假设可能性是正态的（并在 AIC 或 BIC 中使用它），那么您也需要正态残差。换句话说，残差的分布必须与用于计算 AIC 或 BIC 可能性的分布假设相匹配。