最小二乘回归

自由度。自由度等于分析数据的行数（Prism 会跳过任何有缺失值或排除值的行数）减去模型中的参数数。

多重 R： 多重相关系数 是 Y 值与预测 Y 值之间的相关性。它是R2 的平方根 ，其值总是介于 0 和 1 之间。

R2.多元回归模型可解释的 Y 变异的百分比。如果R2等于 1.0，则每个 Y 值都能被模型完全预测，没有随机变异性。如果R2等于 0.0，那么回归模型对 Y 值的预测就很糟糕--只需预测每个 Y 值等于所测 Y 值的平均值，就能得到同样准确的预测结果。当然，在真实数据中，您不会看到这些极端的R2值，而会看到介于 0.0 和 1.0 之间的 R2 值。如果您在实际值与预测 Y 值的对比图上计算线性回归的R2，该R2（来自线性回归）将与多元线性回归的R2相同。

调整后的R2。即使数据都是随机变异性的，随着方程中变量的增加，R2也会变大。如果模型的成分越多，那么模型对数据的预测效果就会越好。调整后的R2值通过修正模型中 X 变异性的数量来纠正这一点。注释

•如果您收集的是随机数据，您期望调整后的R2值平均为零。如果你收集了多组随机数据，那么调整后的R2值一半会是负值，一半会是正值。调整后的R2值怎么可能是负数呢？如果调整后的R2真的是任何东西的平方，那么它就会一直是正值。但调整后的R2并不是任何东西的平方，它只是R2减去一个修正值。

•调整后的R2主要用于比较自变量数量不同的模型的拟合效果。你不能比较R2，因为你期望变量越多的拟合模型R2越小只是出于偶然。

平方和。多元回归为模型中的系数找到最小化预测 Y 值和实际 Y 值之间差值平方和的值。

Sy.x 和 RMSE。 这是量化残差标准偏差的另一种方法。我们推荐 Sy.x，它也被称为 Se。了解计算方法。

AICc。这是一个考虑拟合优度以及模型参数数量的值。如果将相同的数据以相同的权重拟合到两个模型中，AICc 较低的模型更有可能是正确的模型。但这可能不是拟合数据更好的模型。通过添加大量的自变量（或交互作用），从而增加模型拟合的参数数，很容易就能更好地拟合数据。当模型更好地拟合数据时，AICc 会变小，但当模型增加参数时，AICc 会变大。AICc 的值依赖于因变量的单位，因此不能以任何有用的方式解读为一个单一的值。只能解读两个 AICc 值之间的差值。有关 AICc 的更多信息（以及计算方法），请参阅我们关于如何在非线性回归中使用 AICc 的说明。

泊松回归

Prism 可以用四种方法计算泊松拟合优度，可在 "诊断 "选项卡中选择。

伪 R 平方

泊松回归模型无法计算R2。相反，Prism 会报告伪R2。 您可以像解读普通R2一样解读它。这是最简单易懂的拟合优度指标，因此我们推荐使用。

伪R2由三个模型的对数似然值计算得出：LLo，水平线模型的对数似然值；LLfit，您选择的模型的对数似然值；以及LLmax，可能的最大对数似然值，即当实际反应完全等于预测反应时，模型完全预测了每个点，且所有残差都等于 0.0。计算伪R2的方程是

R2 = (LLfit - LLo) / (LLmax - LLo)

负对数似然

最小二乘回归使 Prism 报告的平方和最小。泊松回归最大化似然的负对数，Prism 可以报告负对数。

偏差或 G2

偏差是最大可能对数似然（见上文）与拟合模型对数似然之差的两倍。偏差公式为 D=2（LLmax - LLfit）。这也称为G2。

离散率

当数据从泊松分布中采样时，方差等于均值。Prism 可以报告方差-均值比 (VMR)，即离散比。Prism 用一个值 phi 来报告过度分散的程度。如果 phi 远大于 1.0，则曲线周围各点的实际方差大于均值，泊松模型可能不合适。这就是所谓的过度分散。有些程序提供了处理超分散问题的泊松回归扩展，但 Prism 没有（如果您需要，请告诉我们）。

AICc

AICc只有在将相同数据分别拟合到两个或多个模型时才有用。然后，您可以使用 AICc 在它们之间做出选择。但请注意，只有当您选择的模型是唯一的区别时，比较拟合之间的 AICc 才有意义。如果拟合之间的数据不完全相同，那么任何 AICc 值的比较都是没有意义的。同样重要的是，所有拟合的加权或回归方法必须相同。如果您在一次拟合中使用了 Poisson 回归，那么您就需要在所有拟合中都使用这种方法。