确实有可能。正如https://methodology.psu.edu/AIC-vs-BIC中所解释的，“BIC 对模型复杂性的惩罚更大。他们不同意的唯一方法是 AIC 选择比 BIC 更大的模型。”

如果您的目标是确定一个好的预测模型，您应该使用 AIC。如果您的目标是确定一个好的解释模型，您应该使用 BIC。Rob Hyndman 在
https://robjhyndman.com/hyndsight/to-explain-or-predict/上很好地总结了这一建议：

“AIC 更适合用于预测的模型选择，因为它渐近地等效于回归中的留一法交叉验证，或时间序列中的一步交叉验证。另一方面，可能有人认为BIC 更适合用于解释的模型选择，因为它是一致的。”

该建议来自 Galit Shmueli 的论文“To explain or to predict?”, Statistical Science, 25(3), 289-310 ( https://projecteuclid.org/euclid.ss/1294167961 )。

附录：

还有第三种建模类型 - 描述性建模 - 但我不知道任何关于 AIC 或 BIC 哪个最适合识别最佳描述性模型的参考资料。我希望这里的其他人可以加入他们的见解。

简短的回答：是的，很有可能。两者根据估计参数的数量应用不同的惩罚（AIC 为 2k，BIC 为 ln(n) xk，其中 k 是估计参数的数量，n 是样本大小）。因此，如果添加参数的似然增益很小，BIC 可能会为 AIC 选择不同的模型。然而，这种影响取决于样本量。