선형회귀 모델은 모델의 데이터 적합성을 평가하는 데 도움이 되도록 여러 가지 평가 측도를 계산합니다. 이러한 평가 측도는 모델 영역의 위쪽에 표시됩니다.
현재 표시되어 있는 평가 측도를 클릭하면 사용할 수 있는 모든 평가 측도를 볼 수 있습니다.
수정된 R-제곱
수정된 R-제곱 값은 더 많은 효과 변수에 대한 추가를 고려합니다. 값은 0부터 1까지이며 1에 가까울수록 좋습니다.
AIC
Akaike 정보 기준입니다. 값이 작을수록 더 나은 모델이며, AIC 값은 음수일 수 있습니다. AIC는 반응 변수의 실제 분포와 모델에 지정된
분포 사이의 불일치에 대한 Kullback-Leibler 정보 측도를 기반으로 합니다.
AICC
수정된 Akaike 정보 기준입니다. 이 AIC 버전은 샘플 크기를 고려하여 값을 조정합니다. 그 결과, 추가적인 효과를 적용하면 AIC보다 AICC에
패널티가 더 부과됩니다. 샘플 크기가 증가하면 AICC와 AIC가 수렴됩니다.
평균제곱오차
ASE, 즉 평균제곱오차는 오차제곱합(ASE)을 관측치로 나눈 것입니다. 값이 작을수록 좋습니다.
모델에 대한 F 값
자유도를 기준으로 분산이 정규화된 이후 수행된 일원분산분석의 F 테스트 값입니다. 값이 클수록 좋지만 이는 과적합을 의미할 수 있습니다.
평균제곱오차
MSE(평균제곱오차)는 SSE를 오류의 자유도로 나눈 것입니다. 오류의 자유도는 케이스 개수에서 모델의 가중 개수를 뺀 값입니다. 이 프로세스는 보통
가정하에서 모분산에 대한 분산 없는 추정 값을 제공합니다. 값이 작을수록 좋습니다.
Pr > F
해당하는 F 통계량과 관련된 p-값입니다. 값이 작을수록 좋습니다.
R-제곱
R-제곱값은 모델이 데이터에 얼마나 적합한지 나타냅니다. R-제곱값은 0부터 1까지이며 1에 가까울수록 좋습니다.
SBC
BIC(Bayesian Information Criterion)라고도 하는 SBC(Schwarz Bayesian Criterion)는 모델의 잔차
제곱합과 효과 수를 증가시키는 함수입니다. 반응 변수와 효과 수에 대한 설명되지 않은 변동은 SBC 값의 증가로 이어집니다. 결과적으로, SBC 값이
낮으면 설명 변수 또는 적합 항목이 적거나, 아니면 둘 다 적다는 것을 의미합니다. SBC는 AIC보다 자유 모수에 더 강력하게 패널티를 적용합니다.