这取决于。AIC 是对数似然的函数。如果两种类型的模型都以相同的方式计算对数似然（即包括相同的常数），那么可以，如果模型是嵌套的。

我有理由确定这一点，glm()并且lmer()不使用可比较的对数可能性。

关于嵌套模型的观点也有待讨论。有人说 AIC 仅对嵌套模型有效，因为这就是理论的呈现/工作方式。其他人将其用于各种比较。

这是一个很好的问题，我一直很好奇。

对于同一族中的模型（即 k 阶或多项式的自回归模型），AIC/BIC 很有意义。在其他情况下，它不太清楚。准确计算对数似然（使用常数项）应该可行，但使用更复杂的模型比较（例如贝叶斯因子）可能更好（http://www.jstor.org/stable/2291091）。

如果模型具有相同的损失/错误函数，另一种选择是仅比较交叉验证的对数似然。当我不确定 AIC/BIC 在某种情况下是否有意义时，我通常会尝试这样做。

请注意，在某些情况下，AIC 甚至无法比较相同类型的模型，例如具有不同差分顺序的 ARIMA 模型。引用预测： Rob J Hyndman 和 George Athanasopoulos 的原则和实践：

需要注意的是，这些信息标准往往不能很好地指导选择模型的适当差分顺序 ( )，而仅用于选择和的值。这是因为差分改变了计算似然性的数据，使得具有不同差分阶数的模型之间的 AIC 值不具有可比性。所以我们需要使用其他一些方法来选择，然后我们可以使用 AICc 来选择和。$d$$p$$q$$d$$p$$q$