广义线性模型计算多个评估测度以帮助您评估模型与数据的拟合程度。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。可用的评估测度如下：
-2 对数似然
似然函数评估给定所有可能参数值的情况下观测抽样的概率。对数似然就是似然函数的对数。该值是对数似然的 -2 倍。倾向于采用较小的值。
AIC
Akaike 信息准则。值越小，表示模型越好。仅当两个模型有近似相等的观测数量时，才应比较 AIC 值。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 会调整值以考虑相对较小的抽样规模。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。
BIC
Bayesian 信息准则 (BIC) 又称 Schwarz Bayesian 准则 (SBC)，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
BIC 的值。因此，BIC 越低，表示解释变量越少和/或拟合越好。BIC 对自由参数的惩罚对 AIC 更严格。