KNOWECON WIKI

ARTICLE

AICc

修正赤池信息准则 (AICc) AICc（Corrected Akaike Information Criterion，修正赤池信息准则）是赤池信息准则（AIC）的小样本修正版本，由 Sugiura (1978) 提出并经 Hurvich 与 Tsai (1989) 系统发展。AICc 在 AIC 的基础上引入与样本量和参数个数相关的二阶偏差校正项，旨在克服

浏览 0 更新 2025-11-28

修正赤池信息准则 (AICc)

AICc（Corrected Akaike Information Criterion，修正赤池信息准则）是赤池信息准则（AIC）的小样本修正版本，由 Sugiura (1978) 提出并经 Hurvich 与 Tsai (1989) 系统发展。AICc 在 AIC 的基础上引入与样本量和参数个数相关的二阶偏差校正项，旨在克服 AIC 在小样本场景下倾向于选择过度参数化模型的系统性偏差。该准则广泛用于模型选择、回归分析、时间序列分析和计量经济学中的变量筛选问题。

背景与动机

经典 AIC 由赤池弘次于 1973 年提出，其定义为 AIC=−2ln⁡(L)+2k\text{AIC} = -2\ln(L) + 2k，其中 LL 为模型的最大似然函数值，kk 为待估参数个数。AIC 的推导依赖于最大似然估计量的渐近正态性，其偏差校正项 2k2k 仅在大样本下严格有效。当样本量 nn 较小或参数个数 kk 相对于 nn 较大时，AIC 对模型复杂度的惩罚力度不足，倾向于选择包含过多参数的模型，导致过拟合和预测能力下降。

Sugiura (1978) 在线性回归模型框架下推导出 AIC 在小样本下的精确无偏估计，Hurvich 与 Tsai (1989) 将其推广至更一般的统计模型，正式提出 AICc。Burnham 与 Anderson 在其经典著作《Model Selection and Multimodel Inference》中强烈建议在实际应用中始终使用 AICc 替代 AIC，因为当样本量增大时 AICc 自动收敛至 AIC，几乎不增加计算成本。

定义与公式

AICc 的标准定义为：

AICc=AIC+2k(k+1)n−k−1\text{AICc} = \text{AIC} + \frac{2k(k+1)}{n-k-1}

将 AIC 的表达式代入可得等价形式：

AICc=−2ln⁡(L)+2k+2k(k+1)n−k−1\text{AICc} = -2\ln(L) + 2k + \frac{2k(k+1)}{n-k-1}

也可写作：

AICc=−2ln⁡(L)+2k⋅nn−k−1\text{AICc} = -2\ln(L) + 2k \cdot \frac{n}{n-k-1}

其中 nn 为有效样本容量，kk 为模型中待估参数的总数（通常包括截距项和误差方差参数）。修正项 2k(k+1)n−k−1\frac{2k(k+1)}{n-k-1} 是 AICc 区别于 AIC 的关键：该修正项随 kk 的增加呈二次增长，在小样本下提供了比 AIC 更强的惩罚力度。

当 nn 远大于 kk 时，有 nn−k−1≈1\frac{n}{n-k-1} \approx 1，修正项趋近于零，AICc 收敛于 AIC。当 n/k<40n/k < 40 时，修正项的影响显著，建议优先使用 AICc。值得注意的是，AICc 要求 n>k+1n > k+1，即样本容量必须大于参数个数加一，否则修正项分母非正，准则无定义。

推导原理

AICc 的推导基于 KL 散度（Kullback-Leibler divergence）期望值的无偏估计。设真实数据生成过程密度为 ff，候选模型密度为 g(⋅∣θ^)g(\cdot|\hat{\theta})，其中 θ^\hat{\theta} 为 θ\theta 的最大似然估计。AIC 的目标是估计期望 KL 散度 Ef[KL(f,g(⋅∣θ^))]E_f[\text{KL}(f, g(\cdot|\hat{\theta}))]，但 AIC 的偏差校正项 2k2k 仅为一阶渐近近似。

在线性回归模型 Y=Xβ+εY = X\beta + \varepsilon，ε∼N(0,σ2I)\varepsilon \sim N(0, \sigma^2 I) 的设定下，Sugiura 推导出精确的偏差校正项为 n(n+k)n−k−2−n\frac{n(n+k)}{n-k-2} - n。经过适当变换并略去仅依赖于 nn 的常数项后，得到 AICc 的简洁形式。对于非线性模型和非正态误差情形，AICc 虽然不再严格精确，但蒙特卡洛模拟研究表明其在小样本下仍显著优于 AIC。

从信息论视角看，惩罚项 2knn−k−1\frac{2k n}{n-k-1} 可理解为模型复杂度在有限样本下的"有效代价"。小样本情境中，每个参数估计的不确定性更大，模型自由度相对于可用信息量更为昂贵，AICc 的惩罚项恰好反映了这一边际成本递增的特征。

与 AIC、BIC 的比较

AICc、AIC 和贝叶斯信息准则（BIC，也称 Schwarz 准则）是应用最广泛的三种信息准则。三者的核心结构均为"拟合优度项 + 惩罚项"：

AIC=−2ln⁡(L)+2kAICc=−2ln⁡(L)+2k+2k(k+1)n−k−1BIC=−2ln⁡(L)+kln⁡(n)\begin{aligned} \text{AIC} &= -2\ln(L) + 2k \\ \text{AICc} &= -2\ln(L) + 2k + \frac{2k(k+1)}{n-k-1} \\ \text{BIC} &= -2\ln(L) + k\ln(n) \end{aligned}

BIC 的惩罚项 kln⁡(n)k\ln(n) 随样本量对数增长，在大样本下惩罚力度远强于 AIC，且 BIC 具有模型选择一致性。AIC 和 AICc 则基于预测误差最小化，不要求真实模型存在于候选集合中，倾向于选择预测能力最优的模型，但非一致的。在实际应用中，当研究目标为预测时优先使用 AICc，当目标是识别真实模型结构时 BIC 可能更合适。

应用与使用建议

AICc 广泛应用于各类统计建模场景。在自回归移动平均模型（ARMA/ARIMA）的定阶中，AICc 是选择滞后阶数的标准工具。在多元线性回归的子集选择中，AICc 用于在全子集回归或逐步回归过程中评判不同变量组合的优劣。在混合效应模型和广义可加模型中，AICc 的推广形式用于比较不同平滑参数和随机效应结构的模型。

使用 AICc 的一般实践准则如下：首先确保所有候选模型拟合于同一数据集且因变量一致；其次，计算各模型的 AICc 值（通常由统计软件直接输出）；然后计算各模型相对于最优模型的 Δi=AICci−AICcmin⁡\Delta_i = \text{AICc}_i - \text{AICc}_{\min}；通常认为 Δi<2\Delta_i < 2 的模型具有实质性的经验支持，4<Δi<74 < \Delta_i < 7 的模型支持较弱，Δi>10\Delta_i > 10 的模型基本可忽略。还可进一步计算赤池权重 wi=exp⁡(−Δi/2)∑jexp⁡(−Δj/2)w_i = \frac{\exp(-\Delta_i/2)}{\sum_j \exp(-\Delta_j/2)}，用于多模型推断和模型平均。

需注意 AICc 不能用于比较不同数据变换下的模型（如对数变换前后的因变量），此时需采用修正方法或改用基于交叉验证的评估策略。此外，当数据存在强相依结构（如空间自相关或聚类）时，有效样本量 nn 的界定需特别审慎。

局限性

尽管 AICc 在小样本下显著优于 AIC，但并非适用于所有情境。首先，AICc 的推导假设模型参数通过最大似然法估计，对于采用广义矩估计（GMM）、分位数回归或贝叶斯方法估计的模型，标准 AICc 形式不再适用，需采用相应的修正版本（如 DIC、WAIC 或 GMM-AIC）。其次，当候选模型之间不存在嵌套关系且似然函数不可比时（如不同分布族之间的选择），信息准则的比较需格外谨慎。最后，在超高维设定中（即 kk 接近甚至大于 nn 的情形），AICc 因分母为负而失效，此时应转向正则化方法（如 LASSO、弹性网络）或使用高维信息准则（如 EBIC、mBIC）。在实际操作中，主流统计软件如 R 的 \texttt{AICcmodavg} 包和 Python 的 \texttt{statsmodels} 库均内置了 AICc 计算接口，使用者无需手动编程即可完成多模型比较与选择。