Model selection has different conotations in Statistics and History or Philosophy of Science. Nas Estatísticas, tem um papel útil, mas muito mais pedestre, de distinguir dois modelos estatísticos com base nos dados disponíveis. Este capítulo apresenta vários exemplos onde as técnicas de seleção de modelos podem ser aplicadas para responder a questões científicas ou estatísticas. Ele considera o critério de informação Akaike (AIC) em alguns problemas estatísticos canônicos e resultados do Estado de sua otimalidade estatística. Sua conexão também é discutida com outros critérios de seleção de modelos e algumas das generalizações da mesma. A otimalidade está conectada com a motivação original de Akaike, como trazido para fora, mas não segue como uma consequência imediata. Um problema muito importante onde o AIC pode ser usado como uma regra de seleção de Modelos é o problema da regressão não paramétrica, onde a forma funcional de dependência entre a variável dependente e o regressor não é expressável em termos de finitamente muitos parâmetros desconhecidos. O critério de informação Bayesiana (BIC) é mais útil na seleção de um modelo correto, enquanto o AIC é mais apropriado na busca do melhor modelo para prever observações futuras.