在某些条件下，AIC 是一种有效的模型选择标准。我大致理解这一点，好像 AIC 将倾向于选择能够从相同的数据生成过程或总体（在我们选择的所有模型中）产生新数据点的最大预期可能性的模型。如果目标是预测并且预测的评估是可能性，这使得 AIC 成为首选。
然而，我们并不总是通过可能性来评估预测准确性。还有其他评估预测的方法，例如均方误差 (MSE) 或平均绝对误差 (MAE)。问题：
我认为 1) 的答案应该是“否”，因为通常没有理由期望最小化预期可能性的模型也会最小化 MSE、MAE 等。人们甚至可能会想到似然性是明确定义的，并且 MSE 将随着样本量的增加而发散（例如，没有矩的分布，例如 Cauchy）。
我认为 AIC 仍然是任何损失函数的模型选择的好方法，它是预期似然的单调函数，但这可能是一个微不足道的评论，对你没有多大帮助。
我不得不不同意F. Tusell 的回答，我认为这反映了对 AIC 和其他损失函数评估的混淆。
AIC 评估“建模”密度。（我在“建模”周围使用引号，以将其与预测密度区分开来，在预测密度中，我们将使用适当的评分规则进行评估。）像 MAE、MSE 和分位数损失这样的损失函数评估单个数字摘要（Kolassa，2020，IJF）这种建模（或预测）密度。
现在，通过Stone (1977)，AIC 将通过真实条件密度渐近最小化（前提是它在候选池中；更多内容见下文）。一旦我们有了真实的条件密度，我们就可以从中提取最小化损失函数的函数（MSE 的条件期望，MAE 的中值，分位数损失的分位数）。因此，“选择最小化 AIC 的密度，然后为我们的损失提取适当的功能”的过程将渐近地产生最低损失。
现在，所有这一切当然依赖于许多假设。
正如 F. Tusell 所写，如果条件密度没有期望，那么“提取最小 MSE 泛函”部分将不起作用，因此整个管道发生故障。（但如果真正的 DGP 遵循柯西分布，那么无论如何，MSE 下的最佳点预测是多少？）
如果真正的条件密度不在我们的可能模型候选池中，Stone (1977) 的渐近结果不成立。AIC 仍然会渐近地在池中找到与真实 DGP 的 Kullback-Leibler 距离最小的模型，因此它仍然是一个好的开始——尽管它的预期损失可能比其他模型更差。
例如，您的数据可能是分布式，但我们的模型池可能只包含所有分布，因此不满足 Stone (1977) 的关键假设。假设我们对 90% 的分位数预测感兴趣。AIC 将通过以下方式在我们的池中进行优化并报告其分位数. 简单优化分位数损失的无分布方法将产生正确的. 当然，我们的池中有一个模型会产生较低的损失，即和，但 AIC 不会喜欢那个。
最后，当然，如果拟合和预测之间的函数形式不同，那么所有的赌注都没有了。如果您受到全球大流行的打击，您基于 2019 年数据的 AIC 最优模型对于 2020 年初德国卫生纸需求的（点）预测将不会很有用。
最后 - 最后，渐近线可能还有很长的路要走 - 根据前面的要点，足以让 DGP 确实发生变化。