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。
| 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
- 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。
