分析明确筛选设计的二元响应的模型汇总表

偏差 R-Sq

偏差 R2 通常被视为由模型解释的响应变量中的总偏差的比率。

解释

偏差 R2 越高,模型拟合数据的优度越高。偏差 R2 始终在 0% 和 100%之间。

如果向模型添加其他项,则偏差 R2 会始终增加。 例如,最佳的 5 项模型的 R2 始终比最佳的 4 项模型的高(至少一样高)。 因此,比较相同大小的模型时,偏差 R2 最有用。

拟合优度统计量只是模型拟合数据优度的一种度量。即使模型具有合意的值,您也应当检查残差图和拟合优度检验,以评估模型拟合数据的优度。

您可以使用拟合线图演示不同的偏差 R2 值。第一张图演示的模型解释了响应变量中约 96% 的偏差。第二张图演示的模型解释了响应变量中约 60% 的偏差。模型解释的偏差越多,数据点坐落的位置越靠近曲线。从理论上讲,如果模型可以解释 100% 的偏差,则拟合值将始终等于观测值,并且所有数据点都将落于曲线上。

数据排列影响偏差 R2 值。每行多个试验的数据的偏差 R2 通常比每行单个试验的数据高。偏差 R2 值仅在使用相同数据格式的两个模型之间可比较。有关更多信息,请转到数据格式对二元 Logistic 回归中拟合优度的影响

偏差 R 平方(调整)

调整的偏差 R2 是由模型解释的响应中偏差的比率,相对于观测值数,已调整了模型中的预测变量数。

解释

使用调整的偏差 R2 来比较具有不同项数的模型。如果向模型添加项,偏差 R2 也会始终增加。调整的偏差 R2 值在模型中包含了项数,以帮助您选择正确的模型。

例如,您效力于一家薯片公司,该公司正在检查影响碎薯片的因子。当您添加预测变量时,将得到以下结果:
步阶 马铃薯百分比 冷却速率 加工温度 偏差 R2 调整的偏差 R2 P 值
0 X     52% 51% 0.000
1 X X   63% 62% 0.000
3 X X X 65% 62% 0.000

第一步产生在统计意义上显著的回归模型。第二步向模型中添加冷却速率,它会增加调整的方差 R2,这表明冷却速率会改善模型。第三部向模型中添加烹饪温度,它会增加方差 R2,但不会增加调整的方差 R2。这些结果表明,加工温度不会改善模型。基于这些结果,您可以考虑从模型中删除烹饪温度。

数据格式会影响调整的偏差 R2 值。对于相同的数据,每行多个试验的数据的调整偏差 R2 通常比每行单个试验的数据高。仅使用调整的偏差 R2 比较具有相同数据格式的模型的拟合。有关详细信息,请转到数据格式对二元 Logistic 回归中拟合优度的影响

AIC、AICc 和 BIC

Akaike 信息标准 (AIC)、更正的 Akaike 信息标准 (AICc) 和 Bayesian 信息标准 (BIC) 是针对模型相对质量的度量,说明模型中的拟合与项数。

解释

使用 AIC、AICc 和 BIC 比较不同的模型。值越小越合意。但是,对于预测变量集具有最小值的模型,不一定需要很准确地拟合数据。还需要使用检验和残差图来评估模型对数据的拟合优度。
AICc 和 AIC
当样本数量相对于模型中的参数个数较小时,AICc 的性能优于 AIC。AICc 的性能之所以更佳,是因为当模型中的参数太多时,如果样本数量相对较小,AIC 往往较小。通常,当样本数量相对于模型中的参数个数较大时,这两个统计量提供的结果相似。
AICc 和 BIC
AICc 和 BIC 评估模型的似然,然后将用来添加项的惩罚应用于模型。惩罚会降低趋势,以使模型过度拟合样本数据。趋势降低可能会生成性能通常更佳的模型。
一般准则是,当参数个数相对于样本数量较小时,BIC 对于添加每个参数所施加的惩罚比 AICc 大。在这些情况下,最小化 BIC 的模型往往比最小化 AICc 的模型小。
在一些常见情况(如筛选设计)下,参数个数相对于样本数量通常较大。在这些情况下,最小化 AICc 的模型往往比最小化 BIC 的模型小。例如,对于包含 13 个游程的明确筛选设计,在一组包含 6 个或多个参数的模型中,最小化 AICc 的模型往往比最小化 BIC 的模型小。
有关 AICC 和 BIC 的更多信息,请参阅伯纳姆和安德森。1
1 Burnham, K. P., & Anderson, D. R. (2004)。 Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods & Research, 33(2), 261-304. doi:10.1177/0049124104268644