除了最小描述长度的各种度量（例如，归一化最大似然、Fisher 信息近似）之外，还有两种其他方法值得一提：

1. 参数引导。它比要求苛刻的 MDL 措施更容易实施。Wagenmaker 及其同事撰写了一篇不错的论文：
   Wagenmakers, E.-J., Ratcliff, R., Gomez, P., & Iverson, GJ (2004)。使用参数引导评估模型模仿。数学心理学杂志，48，28-50。
   摘要：

   我们提出了一个通用的采样程序来量化模型模仿，定义为模型解释竞争模型生成的数据的能力。这种抽样过程称为参数引导交叉拟合方法 (PBCM; cf. Williams (JR Statist. Soc. B 32 (1970) 350; Biometrics 26 (1970) 23))，生成拟合优度差异的分布预期在每个竞争模型下。在 PBCM 的数据通知版本中，生成模型具有通过拟合所考虑的实验数据获得的特定参数值。可以将数据通知的差异分布与观察到的拟合优度差异进行比较，以量化模型的充分性。在 PBCM 的数据不知情版本中，生成模型基于先验知识具有相对广泛的参数值范围。通过几个示例说明了数据知情和数据未知情 PBCM 的应用。

   更新：用简单的英语评估模型模仿。您采用两个竞争模型中的一个，并为该模型随机选择一组参数（无论是否通知数据）。然后，您使用所选参数集从该模型生成数据。接下来，让两个模型拟合生成的数据，并检查两个候选模型中的哪一个更适合。如果两个模型同样灵活或复杂，则生成数据的模型应该更适合。但是，如果另一个模型更复杂，它可以提供更好的拟合，尽管数据是从另一个模型生成的。您对两个模型重复此操作数次（即，让两个模型生成数据并查看两个模型中哪一个更适合）。“过拟合”另一个模型产生的数据的模型是更复杂的模型。

2. 交叉验证：它也很容易实现。请参阅此问题的答案。但是，请注意，它的问题在于样本切割规则（留一法、K-折叠等）中的选择是无原则的。

我认为这将取决于实际的模型拟合程序。对于普遍适用的度量，您可以考虑Ye 1998中描述的广义自由度——本质上是模型估计变化对观测扰动的敏感性——它作为模型复杂性的度量非常有效。

最小描述长度（MDL）和最小消息长度（MML）当然值得一试。

就 MDL 而言，一篇说明归一化最大似然 (NML) 过程以及渐近近似的简单论文是：

S. de Rooij 和 P. Grünwald。具有无限参数复杂度的最小描述长度模型选择的实证研究。数学心理学杂志, 2006, 50, 180-192

在这里，他们研究了几何分布与泊松分布的模型复杂性。可以在此处找到有关 MDL 的优秀（免费）教程。

或者，可以在此处找到一篇关于使用 MML 和 MDL 检查的指数分布复杂性的论文。不幸的是，没有关于 MML 的最新教程，但这本书是一本极好的参考书，强烈推荐。

最小描述长度可能是一个值得追求的途径。