Prism 允许您比较两个备选模型的拟合情况。

选择第二个模型

在多元回归对话框的“比较”选项卡中，首先选择第二个模型。在大多数情况下，第二个模型将嵌套在第一个模型之中。这意味着第二个模型更为简单，可能省略了一个自变量，或者省略了一个或多个交互作用。

选择比较方法

Prism 提供了两种比较参数数量不同的模型的方法。虽然解决此问题的其他方法也已开发出来，但以下两种是最常用的方法。

额外平方和F检验

额外平方和F检验基于传统的统计假设检验。

零假设是简单模型（即参数较少的模型）是正确的。 复杂模型的改进程度通过平方和的差异来量化。仅凭偶然性就可能出现一定程度的改进，而这种偶然性带来的预期改进量由数据点数和每个模型的参数数决定。平方和F检验将平方和的实际差异与预期偶然差异进行比较。结果以 F 比值表示，并据此计算出 P 值。

P值回答了以下问题：

如果零假设确实成立，在多少比例的实验（规模与您当前实验相当）中，平方和的差异会与您观察到的结果一样大，甚至更大？

如果 P 值较小，则可得出简单模型（零假设）是错误的结论，并接受复杂模型。通常，P 值的阈值设定为传统的 0.05。如果 P 值小于 0.05，则拒绝简单模型，并得出复杂模型拟合效果显著更好的结论。

信息论方法：赤池准则（AIC）

这种替代方法基于信息论，不采用传统的“假设检验”统计范式。因此，它不产生P值，不就“统计学显著性”得出结论，也不“拒绝”任何模型。

该方法通过综合考虑拟合优度（平方和）和模型中的参数数量，来判断数据对每个模型的支持程度。结果以各模型正确的概率形式呈现，所有概率之和为100%。 如果某个模型比另一个模型正确的可能性高得多（例如 1% 对比 99%），您就会选择它。如果可能性的差异不大（例如 40% 对比 60%），您就会知道两个模型都可能是正确的，因此需要收集更多数据。计算原理。

该选择哪种方法？

在大多数情况下，待比较的模型是“嵌套”的。这意味着一个模型是另一个模型的简单模型。例如，一个模型可能包含交互作用项，而另一个模型不包含交互作用项，但其余部分完全相同。

如果两个模型是嵌套的，您可以使用 F 检验或 AIC 方法。选择通常取决于个人偏好和传统。药理学和生理学的基础科学家倾向于使用 F 检验。生态学和种群生物学等领域的科学家则倾向于使用 AIC 方法。

如果模型不具有嵌套关系，则 F 检验不适用，因此应选择信息论方法。请注意，Prism 不会检验模型是否具有嵌套关系。