参数的控制数据精度如何？

每个参数的最佳拟合值当然是对真实值的估计，而只有当数据量无限大时，您才能知道真实值。每个参数的精确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，而置信区间则更容易解读。

您还可以要求 Prism 检验每个参数的统计学显著性。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：如果零假设成立，那么对随机抽取的数据样本进行分析后，得到的参数值距离零的距离是否会与本次分析报告的距离相当或更远？ Prism 还会报告结果是否“统计学显著”，其定义为 P 值小于 0.05。

仅当您确实怀疑参数的真实值不为零（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 可生成参数协方差矩阵，展示模型中各参数之间的相关性。若选中“参数协方差矩阵”选项，Prism 将生成一个包含参数相关性的附加结果标签页，并生成这些相关性的热力图。Prism 还能量化多重共线性 - 即各变量能多大程度上通过其他变量被预测。 

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）值与预测值之间的相关程度。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，因此其数值低于 R²（除非您仅拟合一个参数，在这种情况下 R² 和调整后的 R² 数值相同）。  

•平方和（或加权平方和）是 Prism 在拟合模型时试图最小化的值。仅当您希望将 Prism 的结果与其他程序的结果进行比较，或者希望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。我们推荐使用 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。

•AICc 仅在您将同一组数据分别拟合到三个或更多模型时才有用。此时，您可以使用 AICc 在这些模型之间进行选择。但请注意，只有当拟合之间的唯一区别在于模型本身时，比较 AICc 才有意义。如果不同拟合之间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。

若选择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。其余两个指标仅对深入研究过 Poisson回归的用户具有参考价值。

残差服从正态分布吗？

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验证这一假设。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%...）。