modelvalg har forskellige konnotationer i statistik og historie eller videnskabsfilosofi. I statistikker har det en nyttig, men meget mere fodgængerrolle at skelne mellem to statistiske modeller på grundlag af tilgængelige data. Dette kapitel præsenterer flere eksempler, hvor modelvalgsteknikker kan anvendes til at besvare videnskabelige eller statistiske spørgsmål. Det betragter Akaike Information Criterion (AIC) i nogle få kanoniske statistiske problemer og angiver resultaterne af dets statistiske optimalitet deri. Dens forbindelse diskuteres også med andre modelvalgskriterier og nogle af generaliseringerne af den. Optimaliteten er forbundet med Akaikes oprindelige motivation som bragt ud i, men det følger ikke som en umiddelbar konsekvens. Et meget vigtigt problem, hvor AIC kan bruges som modelvalgsregel, er problemet med ikke-parametrisk regression, hvor den funktionelle form for afhængighed mellem den afhængige variabel og regressoren ikke kan udtrykkes med hensyn til endeligt mange ukendte parametre. Bayesian Information Criterion (BIC) er mere nyttigt til at vælge en korrekt model, mens AIC er mere passende til at finde den bedste model til forudsigelse af fremtidige observationer.