線性迴歸模型可計算數個評估量值，協助您評估模型配適資料的程度。在模型窗格的頂端可取得這些評估量值。按一下目前顯示的評估量值，可查看所有可用的評估量值。
調整 R 平方
調整 R 平方值會試著考量增加更多效果變數。值的範圍是 0 至 1。偏好使用接近 1 的值。
AIC
Akaike 資訊準則。較小的值表示較佳的模型，而 AIC 值可變成負數。AIC 是以回應變數的真實分配與模型指定的分配之差異的 Kullback-Leibler
資訊量值為基準。
AICC
已更正的 Akaike 資訊準則。此版本的 AIC 會調整此值以考量樣本大小。結果是額外效果會懲罰 AICC (超過 AIC)。隨著樣本大小增加，AICC 和 AIC
都會收斂。
平均平方誤差
平均平方誤差 (ASE) 為誤差平方和 (SSE) 除以觀測數目。偏好使用較小的值。
模型的 F 值
在單因子 ANOVA 中依自由度將變異數常態化之後的 F 檢定值。值越大越好，但可能表示過度配適。
均方誤差
均方誤差 (MSE) 為 SSE 除以誤差的自由度。誤差自由度為案例數目減去模型中的加權數目。在一般假設之下，此程序會產生母體干擾變異數的非偏誤估計值。偏好使用較小的值。
Pr > F
與對應 F 統計值關聯的 p 值。偏好使用較小的值。
R 平方
R 平方值指出模型配適資料的程度。R 平方值的範圍是 0 至 1。偏好使用接近 1 的值。
SBC
Schwarz 貝氏準則 (SBC) (也稱為貝氏資訊準則 (BIC)) 是模型殘差平方和與效果數目的遞增函數。回應變數中的不明變異和效果數目會使 SBC 值提高。因此，較低的
SBC 意指較少的解釋變數、配適更佳或兩者。SBC 會懲罰可用參數 (比 AIC 更強烈)。