虽然赤池方法的理论基础难以理解，但计算过程很简单，结果也容易理解。

任何模型对数据集的拟合程度，都可以用赤池提出的信息准则（AIC）来概括。 如果您接受非线性回归的通常假设（即曲线周围点的散布服从高斯分布），则 AIC 可通过一个简单的方程定义，该方程基于两个模型的平方和与自由度之和。 AIC 值本身无法直接理解，因为其单位依赖于您为数据采用的单位。

在比较模型时，只有两个AIC值之间的差值才具有实际意义。计算差值时，单位会相互抵消，结果为无量纲。

对于最小二乘回归，计算公式为：

对于Poisson回归，其方程为：

         

逻辑回归中AICc的计算公式与Poisson回归的公式几乎完全相同（只需将公式中的自由度替换为参数个数）。

该公式现在在直觉上更容易理解了。与F检验类似，它在通过平方和（或Poisson回归中的似然比）评估的拟合优度变化，与自由度数量的变化（源于待拟合参数数量的差异）之间取得了平衡。 由于简单模型1更为简单，其拟合效果几乎总是较差，因此SS1将大于SS2。由于分数的对数总是负值，故第一项为负。 模型1的参数较少，因此自由度更多，这使得最后一项为正值。如果净结果为负，则意味着平方和的差异超出了基于参数数量差异的预期，因此可以得出结论：复杂模型更可能成立。

Prism 将两个 AICc 值之间的差值报告为：简单模型的 AICc 减去复杂模型的 AICc。 当复杂模型（参数更多）具有较低的 AICc 值且因此被选中时，Prism 会将 AICc 差值报告为正数。当简单模型具有较低的 AICc 值且因此被选中时，Prism 会将 AICc 差值报告为负数。

上面的公式有助于您理解 AIC 的工作原理——即在拟合优度变化与参数数量差异之间取得平衡。但您不必使用该公式。只需查看各个 AIC 值，并选择 AIC 值最小的模型即可。该模型最有可能正确。

实际上，Prism 报告的并非 AIC，而是 AICc。该值包含对小样本量的修正。其计算公式稍显复杂，但在小样本量下更为精确。当样本量较大时，AIC 和 AICc 几乎相同。

请注意，这些计算基于信息论，并未采用传统的“假设检验”统计范式。因此，这里没有P值，不会得出关于“统计学显著性”的结论，也不会“拒绝”某个模型。

根据 AICc 值的差异，Prism 会计算并报告每个模型正确的概率，这些概率之和为 100%。如果一个模型比另一个模型更可能正确（例如 1% 对比 99%），您应选择该模型。 如果似然度的差异不大（例如 40% 与 60%），则说明两个模型都有可能正确，因此需要收集更多数据。这些概率通过以下公式计算，其中 Δ 表示 AICc 值之间的差值。

请注意，此方法仅比较您所选的两个模型的拟合情况。可能存在一个您未选中的第三个模型，其拟合效果远优于您所选的任一模型。