在使用步函数进行模型选择时，有时会出现步函数未返回较低的AIC的情况。这可能是由于步函数的搜索空间不够大或者搜索策略不够准确导致的。下面是一些可能的解决方法：

1. 增加搜索空间：尝试增加步函数的搜索空间，可以通过添加更多的变量或者尝试不同的变量组合来扩大搜索范围。这样可以提高发现更好模型的可能性。

2. 调整步函数参数：步函数通常有一些参数，比如最大步数、最小AIC阈值等。尝试调整这些参数，比如增加最大步数或降低最小AIC阈值，以便让步函数有更多机会找到较低的AIC。

3. 使用其他模型选择方法：步函数是一种常用的模型选择方法，但并不是唯一的选择。可以尝试使用其他的模型选择方法，比如正向选择、逆向选择、岭回归等，看是否能够得到更好的结果。

下面是一个使用step()函数进行模型选择的示例代码：

# 加载数据
data <- read.csv("data.csv")

# 构建初始模型
model <- lm(y ~ x1 + x2 + x3, data=data)

# 使用step()函数进行模型选择
step_model <- step(model, direction="both", scope=formula(model), k=log(nrow(data)))

# 输出最终选择的模型
summary(step_model)

在这个示例中，step()函数会根据AIC准则进行模型选择，其中direction="both"表示可以增加或删除变量，scope=formula(model)表示搜索的变量空间为初始模型的变量空间，k=log(nrow(data))表示使用AICc准则进行模型选择。你可以根据实际情况调整这些参数来得到更好的结果。