為什麼使用 AIC 應用模型選擇會給我的變量 p 值不顯著

我有一些關於 AIC 的問題，希望你能幫助我。我根據我的數據的 AIC 應用了模型選擇（向後或向前）。一些選定的變量最終的 p 值 > 0.05。我知道人們說我們應該根據 AIC 而不是 p 值來選擇模型，所以 AIC 和 p 值似乎是兩個不同的概念。有人能告訴我有什麼區別嗎？到目前為止我的理解是：

1. 對於使用 AIC 的反向選擇，假設我們有 3 個變量（var1、var2、var3）並且該模型的 AIC 是 AIC*。如果排除這三個變量中的任何一個變量最終不會得到明顯低於 AIC* 的 AIC（就 df=1 的 ch 方分佈而言），那麼我們會說這三個變量是最終結果。
2. 三變量模型中變量（例如 var1）的顯著 p 值意味著該變量的標準化效應大小與 0 顯著不同（根據 Wald 或 t 檢驗）。

這兩種方法的根本區別是什麼？如果在我的最佳模型（通過 AIC 獲得）中有一些變量的 p 值不顯著，我該如何解釋它？

AIC 及其變體更接近於然後是每個回歸器的 p 值。更準確地說，它們是對數似然的懲罰版本。

您不想使用卡方檢驗 AIC 的差異。您可以使用卡方檢驗對數似然的差異（如果模型是嵌套的）。對於 AIC，越低越好（無論如何，在它的大多數實現中）。無需進一步調整。

如果可能的話，您真的想避免使用自動模型選擇方法。如果您必須使用一個，請嘗試 LASSO 或 LAR。

引用自：https://stats.stackexchange.com/questions/35353