R 平方是多元线性回归的有用指标，但在逻辑回归中却没有同样的意义。统计学家为多元逻辑回归提出了各种 R 平方的类似值，统称为 "伪 R 平方"。它们的解释并不相同，因为它们并不只是模型所解释的方差比例。

事实上，任何特定伪 R 平方值的大小都不能用于跨数据集的比较。相反，这些伪 R 平方值的主要用途是比较拟合到同一数据集的多个模型。没有一个明确的 "最佳 "伪 R 平方值，Prism 提供了四种不同的伪 R 平方值供用户选择。关于如何计算这些伪 R 平方值，我们提供了更多信息。

特优尔 R 平方

这是最简单的伪 R 平方值之一。针对因变量的每个输入值，从模型中找出预测概率。对于因变量的每个类别（0 和 1），找出平均预测概率。然后，找出这两个平均值之差的绝对值。这个值就是特朱尔 R 平方。

麦克法登 R 平方

该值使用指定模型和相应的 "仅截距 "模型（Prism 可以报告的值）的对数似然比，并确定它们的比率。然后将该比率从 1 中减去，得出报告值。比值小（因此最终值接近 1）表明指定模型优于仅截距模型。

考克斯-斯内尔 R 平方（"广义 "R 平方）

Cox-Snell 的 R 平方使用的是似然值（而不是对数似然值），因此计算这个值需要一些额外的数学运算。与这里的其他伪 R 平方值不同，Cox-Snell's R 平方的最大值小于 1。不过，其他软件通常会报告这个值，所以这里也是一个选项。

纳格尔克 R 平方

这个伪 R 平方与 Cox-Snell's R 平方非常相似。主要区别在于，它将 Cox-Snell 的 R 平方调整为最大值为 1。