AIC 和 BIC 优化不同的东西。

AIC 基本上适用于您不一定认为存在“模型”而是一堆不同大小的效果的情况，并且您处于想要获得良好预测误差的情况。因此，随着样本量的扩大，模型的 AIC 选择也会扩大，因为越来越小的影响变得相关（从某种意义上说，平均而言，包括它们比排除它们要好）。

另一方面，BIC 基本上假设模型在候选集中并且您想要找到它。

随着观察次数的增加，BIC 倾向于在一个模型上进行磨练，而 AIC 确实没有。

因此，在较大时，AIC 倾向于选择比 BIC 稍大的模型。如果您想了解主要驱动因素是什么，您可能需要更像 BIC 的东西。如果这不如良好的 MSPE 重要，那么您可能更倾向于 AIC。$n$

当用于前向或后向模型选择时，BIC 比 AIC 更大程度地惩罚模型中的参数数量。因此，平均而言，您将获得一个参数较少的模型。