参数的控制数据精度如何？

每个参数的最佳拟合值当然只是真实值的估计值，只有当数据量无限大时，才能得知真实值。每个参数的精度可以用标准误差和/或置信区间来表示。标准误差更为传统，而置信区间则更易于解读。

您还可以要求 Prism 对每个参数进行统计显著性检验。零假设是该参数的真实总体值为 0.0。P 值回答了以下问题： 如果该零假设成立，那么对随机抽取的数据样本进行分析后，所得参数值与零的距离是否会与本次分析报告的距离相当或更大？Prism 还会报告结果是否“统计学显著”，其定义为 P 值小于 0.05。

仅当您确实怀疑真实参数值不为零（即该变量对模型无影响）时，才应选择计算显著性。对于许多参数而言，情况并非如此。

参数之间是否相互关联或存在冗余？

Prism 可以生成参数协方差矩阵，向您展示模型中每个参数与其他参数之间的相关性。如果选中了“参数协方差矩阵”选项，Prism 将生成一个包含参数相关性的额外结果选项卡，并生成这些相关性的热力图。 Prism 还可以量化多重共线性——即每个变量能从其他变量中被预测得有多准确。 

如何量化拟合优度

如果您选择了最小二乘回归

•多重相关系数（Multiple R）是因变量（Y）值与预测的 Y 值之间的相关性。它是 R² 的平方根，其取值始终在 0 到 1 之间。

•R²是评估拟合优度的标准方法。

•调整后的 R² 考虑了拟合到数据中的参数数量，因此其值低于 R²（除非您只拟合一个参数，在这种情况下，R² 和调整后的 R² 是相同的）。  

•平方和（或加权平方和）是 Prism 在拟合模型时试图最小化的值。只有当您想要将 Prism 的结果与其他程序的结果进行比较，或者想要手动进行额外计算时，报告此值才有意义。

•Sy.x 和 RMSE 是量化残差标准偏差的两种替代方法。 我们建议使用 Sy.x（也称为 Se）。Sy.x 将平方和除以 N-K，其中 N 是分析的行数，K 是拟合的参数数。RMSE 在分母中使用 N-1，而不是 N-K。

•只有当您将同一组数据分别拟合到三个或更多模型时，AICc 才有参考价值。 此时，您可以使用 AICc 在这些模型之间进行选择。但请注意，只有当不同拟合结果之间的唯一区别仅在于模型本身时，比较 AICc 才具有意义。如果不同拟合结果的数据或权重不完全一致，那么任何 AICc 值的比较都将毫无意义。

如果您选择了Poisson回归

若选择 Poisson回归，Prism 提供了三种量化拟合优度的方法：伪 R²、离散度指数和模型偏差。伪 R² 的解读方式与普通 R² 基本一致。另外两个指标仅对深入研究过 Poisson回归的用户具有参考价值。

残差是否服从高斯分布？

最小二乘回归假设残差服从高斯分布。Prism 可通过对残差进行正态性检验来检验这一假设。Prism 提供了四种正态性检验方法。我们推荐使用 D'Agostino-Pearson检验。

计算

选择用于所有结果（包括插值结果）的置信水平（即 95% 或 99%...）。