a Modellválasztásnak különböző konnotációi vannak a statisztikában és a történelemben vagy a Tudományfilozófiában. A statisztikában hasznos, de sokkal gyalogosabb szerepe van abban, hogy a rendelkezésre álló adatok alapján megkülönböztessen két statisztikai modellt. Ez a fejezet számos példát mutat be, ahol a modellválasztási technikák alkalmazhatók tudományos vagy statisztikai kérdések megválaszolására. Úgy véli, az Akaike információs kritérium (AIC) néhány kanonikus statisztikai problémák és állami eredményeit a statisztikai optimalitás ott. Kapcsolatát más modellválasztási kritériumokkal és annak néhány általánosításával is tárgyalják. Az optimalitás kapcsolódik Akaike eredeti motivációjához, amint azt kihozták, de nem következik azonnali következményként. Az egyik nagyon fontos probléma, ahol az AIC modellválasztási szabályként használható, a nemparametrikus regresszió problémája, ahol a függő változó és a regresszor közötti függőség funkcionális formája nem fejezhető ki véges sok ismeretlen paraméter szempontjából. A bayesi információs kritérium (BIC) hasznosabb a helyes modell kiválasztásában, míg az AIC megfelelőbb a legjobb modell megtalálásában a jövőbeli megfigyelések előrejelzéséhez.