Le tableau Résumé du modèle comprend deux lignes. Une ligne est pour une ligne pour un modèle sans aucun terme. L’autre ligne concerne un modèle avec les termes de l’analyse. Comparez les deux lignes pour évaluer l’amélioration du modèle avec des termes par rapport au modèle sans termes. Utilisez la ligne du modèle avec des termes pour décrire les performances du modèle. Utilisez l’AIC, l’AICc et le BIC pour comparer des modèles avec différents termes d’une analyse à l’autre.
Utilisez le log de vraisemblance pour comparer deux modèles qui estiment les coefficients à l'aide des mêmes données. Les valeurs étant négatives, plus elles sont proches de zéro, plus le modèle s'ajuste aux données.
Le log de vraisemblance ne peut pas diminuer lorsque vous ajoutez des termes à un modèle. Par exemple, un modèle avec des termes a une probabilité logarithmique plus élevée qu’un modèle sans termes. Une plus grande différence dans les valeurs log-probabilité entre les deux modèles indique une plus grande contribution du modèle à l’ajustement des données.
Lorsque vous comparez deux modèles avec des termes, la différence de performances est plus claire si les modèles ont le même nombre de termes. Utilisez les valeurs de p des termes du tableau Coefficients pour décider quels termes inclure dans le modèle.
Le R2 est le pourcentage de variation dans la réponse qui est expliquée par le modèle.
Utilisez le R2 pour déterminer la qualité d'ajustement offert par le modèle. Plus la valeur de R2 est élevée, plus l'ajustement offert par le modèle est bon. Le R2 se situe toujours entre 0 % et 100 %.
Le critère d'information d'Akaike (AIC), le critère d'information d'Akaike corrigé (AICc) et le critère d'information bayésien (BIC) sont des mesures de la qualité relative d'un modèle qui rend compte de l'ajustement du modèle et du nombre de termes qu'il contient.