Cílem této práce je popsat postupy výběru optimálního modelu pomocí informačních kritérií. V první kapitole je definována mnohonásobná lineární regrese, z které vycházíme. Druhá kapitola je věnována problematice metody maximální věrohodnosti. Samotným informačním kritériím je věnována třetí kapitola, která obsahuje informační kritéria AIC, AICC, TIC, které jsou odhadem Kullback-Leiblerovi divergence. Dále BIC, HQIC, MDL, CAICF. Část práce je věnována právě problematice Kullback-Leiblerovi divergence. Ve čtvrté kapitole je popsána analýza reziduí a v závěrečné části jsou uvedeny konkrétní příklady výběru vhodných vysvětlujících proměnných. V práci jsou uvedeny použité knihovny, funkce a práce s daty v prostředí R Commanderu.The aim of this thesis is to describe a process of model selection by means of information criteria. In the first chapter, the multiple linear regression is defined. The second chapter focuses on properties of the maximum likelihood method. The third chapter deals with information criteria, this chapter contains information criteria such as AIC, AICC, TIC, which represent an estimation of the Kullback-Leibler divergence, further it contains BIC, HQIC, MDL, CAICF. One part of the thesis is devoted to the questions of the Kullback-Leibler divergence. An analysis of residuals is described in the fourth chapter and in the final chapter there are specific examples of selection of proper explanatory variables. In this thesis various libraries, functions and work with data in R Commander settings were used.