Bien que la log‐vraisemblance soit largement utilisée dans la sélection de modèles, le rapport de vraisemblance logarithmique n'a guère été appliqué dans ce domaine. En se limitant à l'ensemble de modèles jugés plausibles par le test du rapport de vraisemblance, l'auteur du présent travail propose une méthode basée sur le rapport de vraisemblance logarithmique pour sélectionner des modèles de régression. Plus précisément, il montre que lorsque la taille de l'échantillon est grande et que le niveau de signification du test est faible, alors la probabilité que le plus petit modèle de cet ensemble soit le vrai modèle est relativement forte. C'est ainsi que la méthode proposée choisit le plus petit modèle en se servant du niveau de signification du test comme paramètre de réglage. Une étude de simulation avec trois seuils du niveau de signification a permis de montrer que l'approche proposée performe mieux que le critère d'information d'Akaike (AIC) et le critère d'information bayésien (BIC) et ce en termes d'exactitude et d'adaptabilité aux différentes tailles d'échantillon. Enfin, la méthode est présentée comme une alternative fréquentiste et un sérieux concurrent de l'AIC et du BIC pour la sélection de modèles de régression.