Prism 提供了四个伪R平方值。在评估这些值时，必须注意它们不能像线性回归中的 R 平方那样进行解读。 起初这可能会让人感到困惑，因为——尽管它们提供的模型信息并不相同——但它们的设计初衷是与这一广为人知的指标存在某些相似之处，例如它们的取值范围均限定在 0 到 1 之间。

Tjur 的 R²

Tjur 的 R 平方具有一个直观且引人入胜的定义。 对于数据表中所有观测到的 0，计算其预测值的均值；同样，对于数据表中所有观测到的 1，计算其预测值的均值。Tjur 的 R 平方即为这两个均值之间的距离（即差值的绝对值）。 因此，Tjur R²值接近1表明0和1的预测值之间存在明显区分。此外，Tjur R²（与线性回归中的R²类似）实际上取值范围在0到1之间。

Tjur 的 R² = |0 的平均预测值 – 1 的平均预测值|

McFadden 的 R 平方

McFadden（以及Cox-Snell和Nagelkerke）的R²是通过似然函数计算得出的。本指南的“模型诊断”部分简要讨论了似然和对数似然的概念。 不过，要理解这一伪R平方指标所传达的信息，并不需要深入了解对数似然值的计算方法。 简而言之，似然值（及对数似然值）可反映模型与数据的拟合程度。麦克法登R²通过计算指定模型与仅截距模型的对数似然值之比，并将其从1中减去来得出。换言之：

McFadden R² = 1 – (对数似然(指定模型)/对数似然(仅截距模型))

如果指定模型与数据拟合良好，则该比值（即对数似然比）较小，麦克法登R²将接近1。如果仅含截距项的模型与数据拟合得更好，则该比值将更接近1，麦克法登R²将更接近零。

考克斯-斯内尔R平方

与麦克法登R²类似，考克斯-斯内尔R²使用所选模型的似然值以及拟合于同一数据的仅截距模型的似然值（麦克法登R²使用对数似然值）。在此情况下，

考克斯-斯内尔R² = 1 – [(仅截距模型的似然值)/(指定模型的似然值)]²/n，其中n为观测值个数。

值得注意的是，尽管考克斯-斯内尔R²与麦克法登R²采用类似的方法，但考克斯-斯内尔R²的上限并非1；事实上，在许多情况下，其上限可能远小于1。 这意味着，即使指定模型与数据完全吻合，考克斯-斯内尔 R² 值也可能小于 1！

纳格尔克尔克（Nagelkerke）R²

纳格尔克尔克R²可以被视为一种“调整后的考克斯-斯内尔R²”，旨在解决上述问题，即考克斯-斯内尔R²的上限并非1。 具体方法是将考克斯-斯内尔R²除以其最大可能值。换言之：

纳格尔克尔克R² = (考克斯-斯内尔R²)/(1 – 仅截距模型的似然值²/n)，其中n为观测值个数

该网站提供了有关这些及其他伪R平方值的更多信息，而这篇论文则对这些指标以及其他拟合优度指标进行了很好的评估。