wybór modeli ma różne konotacje w statystyce i historii lub filozofii nauki. W statystyce użyteczną, ale znacznie bardziej istotną rolę odgrywa rozróżnienie dwóch modeli statystycznych na podstawie dostępnych danych. W tym rozdziale przedstawiono kilka przykładów, w których techniki wyboru modeli mogą być stosowane w celu odpowiedzi na pytania naukowe lub statystyczne. Bierze pod uwagę kryterium informacyjne Akaike (AIC)w kilku kanonicznych problemach statystycznych i przedstawia wyniki jego optymalności statystycznej. Jego związek jest również omawiany z innymi kryteriami wyboru modelu i niektórymi jego uogólnieniami. Optymalność związana jest z pierwotną motywacją Akaike, która została ujawniona, ale nie jest to natychmiastowa konsekwencja. Bardzo ważnym problemem, w którym AIC może być użyty jako regresja modelu, jest problem regresji nieparametrycznej, gdzie funkcjonalna forma zależności między zmienną zależną a regresorem nie jest wyrażalna w kategoriach nieskończenie wielu nieznanych parametrów. Bayesowskie kryterium informacyjne (BIC) jest bardziej przydatne w wyborze właściwego modelu, podczas gdy AIC jest bardziej odpowiednie w znalezieniu najlepszego modelu do przewidywania przyszłych obserwacji.