AIC信息准则（Akaike Information Criterion，简称AIC）是一种用于衡量统计模型拟合优良性的标准，由日本统计学家赤池弘次于1973年提出。AIC建立在熵的概念基础上，旨在权衡所估计模型的复杂度和此模型拟合数据的优良性。其基本公式为：
\[ AIC = 2k - 2\ln（L） \]
其中：
\（ k \） 是模型的参数数量。
\（ L \） 是似然函数。
在一般情况下，也可以表示为：
\[ AIC = 2k + n\ln\left（\frac{RSS}{n}\right） \]
其中：
\（ n \） 是观察数。
\（ RSS \） 是剩余平方和。
AIC准则鼓励数据拟合的优良性，但同时也尽量避免过度拟合。因此，在比较不同模型时，通常选择AIC值最小的模型作为最优模型。
AIC准则的一个重要特性是它提供了一种基于信息理论的方法，用于模型的比较和选择。通过最小化AIC值，可以找到最能解释数据且包含最少自由参数的模型。
在使用AIC准则时，需要注意以下几点：
1. AIC准则假设模型的误差服从独立正态分布。
2. AIC值越小，模型的拟合效果越好，但并非AIC值最小的模型一定是最优模型，还需要结合其他因素进行综合考虑。
3. 在实际应用中，AIC准则常用于多元回归模型的比较和选择，帮助选择解释变量个数最优的模型。
总结：
AIC信息准则是一种重要的统计模型选择标准，通过最小化AIC值来评估模型的拟合优度，帮助研究者选择最合适的模型。