Modellauswahl hat unterschiedliche Konnotationen in der Statistik und Geschichte oder Philosophie der Wissenschaft. In der Statistik spielt es eine nützliche, aber viel wichtigere Rolle, zwischen zwei statistischen Modellen auf der Grundlage verfügbarer Daten zu unterscheiden. In diesem Kapitel werden einige Beispiele vorgestellt, in denen Modellauswahltechniken zur Beantwortung wissenschaftlicher oder statistischer Fragen angewendet werden können. Es betrachtet das Akaike-Informationskriterium (AIC) in einigen kanonischen statistischen Problemen und gibt darin Ergebnisse seiner statistischen Optimalität an. Seine Verbindung wird auch mit anderen Modellauswahlkriterien und einigen Verallgemeinerungen diskutiert. Die Optimalität ist mit Akaikes ursprünglicher Motivation verbunden, aber sie folgt nicht als unmittelbare Konsequenz. Ein sehr wichtiges Problem, bei dem AIC als Modellauswahlregel verwendet werden kann, ist das Problem der nichtparametrischen Regression, bei der die funktionale Form der Abhängigkeit zwischen der abhängigen Variablen und dem Regressor nicht in Bezug auf endlich viele unbekannte Parameter ausgedrückt werden kann. Das Bayesian Information Criterion (BIC) ist nützlicher bei der Auswahl eines korrekten Modells, während das AIC besser geeignet ist, das beste Modell für die Vorhersage zukünftiger Beobachtungen zu finden.