일반화선형모델은 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. 사용할 수 있는 평가 측도는 다음과 같습니다.
-2 로그 우도
우도 함수는 모든 가능한 모수 값을 사용하여 관측 샘플의 확률을 예측합니다. 로그 우도는 우도 함수의 로그입니다. 이 값은 로그 우도의 -2X입니다.
값이 작을수록 좋습니다.
AIC
Akaike 정보 기준입니다. 값이 작을수록 더 나은 모델입니다. AIC 값은 두 모델의 관측치 개수가 거의 동일할 때만 비교해야 합니다. 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 상대적으로 작은 샘플 크기를 고려하여 값을 조정합니다. 그 결과, 추가적인 효과를 적용하면
AIC보다 AICC에 패널티가 더 부과됩니다. 샘플 크기가 증가하면 AICC와 AIC가 수렴됩니다.
BIC
SBC(Schwarz Bayesian Criterion)라고도 하는 BIC(Bayesian Information Criterion)는 모델의 잔차
제곱합과 효과 수를 증가시키는 함수입니다. 반응 변수와 효과 수에 대한 설명되지 않은 변동은 BIC 값의 증가로 이어집니다. 결과적으로, BIC 값이
낮으면 설명 변수 또는 적합 항목이 적거나, 아니면 둘 다 적다는 것을 의미합니다. BIC는 AIC보다 자유 모수에 더 강력하게 패널티를 적용합니다.