線形回帰分析モデルでは、データに対するモデルの適合度の評価に役立ついくつかの評価尺度が計算されます。これらの評価尺度は、モデルペインの上部にあります。利用可能なすべての評価尺度を表示するには、現在表示されている評価尺度をクリックします。
調整済みR2 乗値
調整済みR2乗値は、効果変数の追加によって生じる結果を説明するために使用します。値は、0~1の範囲をとります。1に近いほど望ましい値です。
AIC
赤池情報量規準。小さな値ほど良いモデルであることを示します。AIC値は負の値になることがあります。AICは、応答変数の真の分布とモデルで指定された分布との間の差異のKullback-Leibler情報量尺度に基づいて導出されます。
AICC
補正赤池情報量規準。AICのこのバージョンでは、サンプルサイズを説明するために値を調整します。その結果、追加の効果により、AICCにはAICより大きなペナルティ(罰則)が課されます。サンプルサイズが大きくなるに従い、AICCとAICが収束します。
Average Squared Error
平均平方誤差(ASE)は、平方誤差(SSE)の合計をオブザベーションの数で除算したものです。小さな値ほど、望ましい値です。
F Value for Model
分散を自由度により正規化した後の一元配置分散分析のF検定の値です。大きな値ほど望ましい値ですが、過剰適合を示すことがあります。
Mean Square Error
平均二乗誤差(MSE)は、SSEを誤差の自由度で除算したものです。誤差の自由度は、ケースの数からモデルの重みの数を減算したものです。このプロセスによって、通常の仮定のもとでノイズの母分散の不偏推定量を算出できます。小さな値ほど、望ましい値です。
Pr > F
F統計量に対応するp値です。小さな値ほど、望ましい値です。
R2乗値
R2乗値は、モデルがデータにどの程度当てはまっているかを示す指標です。R2乗値は、0~1の範囲をとります。1に近いほど望ましい値です。
SBC
シュワルツのベイズ規準(SBC)は、ベイズ情報量規準(BIC)とも呼ばれ、モデルの残差平方和と効果の数の増加関数です。応答変数の説明されないばらつきと効果の数によってSBCの値は増加します。このため、SBCが低いほど、説明変数が少ないか、適合度が高い、あるいはその両方を示しています。SBCでは、自由度のパラメータに対してAICより大きなペナルティが課されます。