线性回归模型计算多个评估测度以帮助您评估模型与数据的拟合情况。这些评估测度位于模型窗格的顶部。点击当前显示的评估测度可查看所有可用的评估测度。
调整 R 方
“调整 R 方”值尝试解释更多效应变量的相加。值的范围从 0 到 1。倾向于采用更接近 1 的值。
AIC
Akaike 信息准则。值越小，表示模型越好，并且 AIC 值可以变为负数。AIC 基于响应变量的实际分布与模型指定的分布之间差异的 Kullback-Leibler
信息测度。
AICC
修正的 Akaike 信息准则。此版 AIC 会调整值以考虑抽样规模。结果是，额外的效应对 AICC 的惩罚比对 AIC 更严厉。随着抽样规模的扩大，AICC 和
AIC 逐渐收敛。
平均平方误差
平均平方误差 (ASE) 是误差平方和 (SSE) 除以观测数的结果。倾向于采用较小的值。
模型的 F 值
通过自由度对方差进行正规化后在单向 ANOVA 中 F 检验的值。值越大越好，但可能会导致过度拟合。
均方误差
均方误差 (MSE) 是 SSE 除以误差自由度的结果。误差自由度是案例数减去模型中的权重数的结果。此过程将在通常的假设下产生总体噪声方差的无偏估计。倾向于采用较小的值。
Pr > F
与对应的 F 统计量关联的 p 值。倾向于采用较小的值。
R 方
“R 方”值指示模型与数据的拟合情况。“R 方”值的范围从 0 到 1。倾向于采用更接近 1 的值。
SBC
Schwarz Bayesian 准则 (SBC) 又称 Bayesian 信息准则 (BIC)，是模型的残差平方和与效应数量的递增函数。响应变量和效应数量中的不可解释变异会增加
SBC 的值。因此，SBC 越低，表示解释变量越少和/或拟合越好。SBC 对自由参数的惩罚比对 AIC 更严厉。