参数的拟合优度值有多精确？

当然，每个参数的拟合优度值都是对真实值的估计，而真实值只有在拥有无限量数据的情况下才能知道。每个参数的精度可以用标准误差和/或置信区间来表示。标准误差比较常规。置信区间更容易解读。

您还可以要求 Prism 检验每个参数的统计学显著性。零假设是参数的真实群体值为 0.0。P 值回答了这个问题：如果该零假设为真，那么对随机抽样的数据进行分析的结果与本次分析报告的参数一样远离或更远离零的概率是多少？Prism 还会报告结果是否具有 "统计学显著性"，即 P 值小于 0.05。

只有当您真的想知道真实参数值是否为零时（因此该变量对模型没有影响），才会选择计算显著性。很多参数的情况并非如此。

参数是否相互交织或多余？

Prism 可以报告参数协方差矩阵，向您展示模型中每个参数与其他参数的相关性。如果选择了参数协差矩阵选项，Prism 将生成一个包含参数相关性的附加结果选项卡，还会生成这些相关性的热图。Prism 还能量化 多重共线性 --每个变量能从其他变量预测出的程度。 

如何量化拟合优度

如果选择最小二乘回归

•多重R，即 多重相关系数，是 Y 值与预测 Y 值之间的相关性。它是 R2 的平方根，其值总是介于 0 和 1 之间。

•R2是评估拟合优度的标准方法。

•调整后的R2考虑了拟合数据的参数数量，因此其值低于R2（除非您只拟合了一个参数，在这种情况下，R2和调整后的R2相同）。

•平方和（或加权平方和）是 Prism 拟合模型时最小化的值。只有当您想将 Prism 的结果与其他程序的结果进行比较，或者想进行额外的手工计算时，报告这个值才有用。

•Sy.x 和 RMSE是量化残差标准偏差的替代方法。我们推荐 Sy.x，它也被称为 Se。Sy.x 将平方和除以 N-K，其中 N 是分析的行数，K 是拟合的参数数。RMSE 在分母中使用 N-1，而不是 N-K。

•AICc只有在将相同数据分别拟合到三个或更多模型时才有用。然后，您可以使用 AICc 在它们之间做出选择。但要注意的是，只有当模型是唯一的区别时，比较拟合之间的 AICc 才有意义。如果拟合之间的数据或加权不完全相同，那么任何 AICc 值的比较都是没有意义的。

如果选择泊松回归

如果选择了泊松回归，Prism 提供了三种量化拟合优度的方法：伪 R2、离散指数和模型偏差。伪 R2 可以像普通 R2 一样进行解读。其他两个值只有深入研究过 Poisson 回归的人才会感兴趣。

残差是高斯的吗？

最小二乘回归假设残差分布服从高斯分布。Prism 可以通过对残差进行正态性检验来检验这一假设。Prism 提供四种正态性检验。我们推荐使用 D'Ágostino-Pearson 检验。

计算

选择用于所有结果（包括 插入值）的置信水平（即 95% 或 99%...） 。