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。虽然解决此问题的已开发方法不止这些，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。 仅凭随机性就可能出现一定程度的改进，而这种随机改进的程度由数据点的数量以及每个模型中的参数数量决定。平方和F检验将平方和的差异与随机情况下预期的差异进行比较。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（规模与您相同）中，平方和的差异会与您观察到的同样大，甚至更大？

如果 P 值较小，则可得出结论：简单模型（零假设）是错误的，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，并得出结论：复杂模型拟合效果显著更好。

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，它不会产生 P 值，不会得出关于“统计学显著性”的结论，也不会“拒绝”任何模型。

该方法在综合考虑拟合优度（平方和）和模型参数数量的基础上，评估数据对各模型的支持程度。 结果以各模型正确的概率形式呈现，各概率之和为100%。如果某个模型比另一个模型更可能正确（例如1% 对比 99%），则应选择该模型。 如果似然度的差异不大（例如 40% 与 60%），则说明两个模型都有可能是正确的，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，您要比较的模型是“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，但其他方面完全相同。

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惯例。药理学和生理学领域的基礎科学家倾向于使用F检验，而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性，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性。