$AIC$先验模型集的模型的可以重新调用为，其中模型集的最佳模型将具有。我们可以使用值来估计模型集中所有模型 的证据强度 (在给定先验模型集 的情况下，这通常被称为模型随着增加，减少，建议模型$i$$\mathsf{\Delta}_i=AIC_i-minAIC$$\mathsf{\Delta}=0$$\mathsf{\Delta}_i$$w_i$

$$w_i = \frac{e^{(-0.5\mathsf{\Delta}_i)}}{\sum_{r=1}^Re^{(-0.5\mathsf{\Delta}_i)}}.$$ $i$$\mathsf{\Delta}_i$$w_i$$i$不太合理。这些值可以解释为模型是给定先验模型集的最佳模型的概率。与模型的相对似然计算为。例如，如果和，那么我们可以说模型的 8 倍。$w_i$$i$$i$$j$$w_i/w_j$$w_i = 0.8$$w_j = 0.1$$i$$j$

请注意，当模型 1 是最佳模型（最小。Burnham 和 Anderson (2002) 将此称为证据比率。该表显示了证据比率相对于最佳模型的变化。$w_1/w_2 = e^{0.5\Delta_2}$$AIC$

Information Loss (Delta)    Evidence Ratio
0                           1.0
2                           2.7
4                           7.4
8                           54.6
10                          148.4
12                          403.4
15                          1808.0

参考

伯纳姆、KP 和安德森博士。2002. 模型选择和多模型推理：一种实用的信息论方法。第二版。斯普林格，纽约，美国。

Anderson, DR 2008。生命科学中基于模型的推理：证据入门。斯普林格，纽约，美国。

我不认为对 AIC 或 BIC 有任何简单的解释。它们都是采用对数似然并对其估计的参数数量施加惩罚的量。Akaike 在 1974 年开始的论文中解释了 AIC 的具体处罚。 Gideon Schwarz 在 1978 年的论文中选择了 BIC，其动机是贝叶斯论证。

您可能使用 BIC 作为贝叶斯因子的近似结果。因此，您不考虑（或多或少）先验分布。当您比较模型时，模型选择阶段的 BIC 很有用。要全面了解 BIC，贝叶斯因子，我强烈建议阅读一篇文章（第 4 节）： http: //www.stat.washington.edu/raftery/Research/PDF/socmeth1995.pdf 以补充知识：http://www .stat.washington.edu/raftery/Research/PDF/kass1995.pdf