重要的是两个 AIC（或者更好的 AICc）值之间的差异，表示对两个模型的拟合。AIC（或 AICc）的实际值，无论是正值还是负值，都没有任何意义。如果您只是更改了数据表示的单位，AIC（和 AICc）将发生巨大变化。但是两种替代模型的 AIC 之间的差异根本不会改变。

底线：忽略 AIC（或 AICc）的实际值以及它是正值还是负值。也忽略两个 AIC（或 AICc）值的比率。只注意区别。

AIC = -2Ln(L)+ 2k

其中 L 是该模型的似然函数的最大值，k 是模型中的参数数量。

在您的示例中，-2Ln(L)+ 2k <0 表示最大对数似然 > 0，这意味着最大似然 > 1。

正对数似然没有问题。对数似然必须为负是一个常见的误解。如果可能性是从概率密度得出的，它可以相当合理地超过 1，这意味着对数似然是正的，因此偏差和 AIC 是负的。这就是您的模型中发生的情况。

如果您认为比较 AIC 是选择模型的好方法，那么仍然会优先选择（代数上）较低的 AIC，而不是绝对 AIC 值最低的那个。重申一下，您需要示例中的最大负数。

通常，假设 AIC（以及 AICc）被定义为添加一个常数，因此它是负数还是正数这一事实根本没有意义。所以答案是肯定的，它是有效的。

是的，以与负 AIC 值相同的方式比较负 AICc 值是有效的。AICc 中的校正因子可以在样本量较小和参数数量相对较多的情况下变大，并且惩罚比 AIC 更重。所以正 AIC 值可以对应负 AICc 值。