参数的最佳拟合值有多精确？

当然，各参数的最佳拟合值是对真实值的估计，仅当您有无限多的数据时才可得知。各参数的精度可表示为标准误差和/或置信区间。标准误差更为传统。置信区间则更易解读。

您也可让Prism检验各参数的统计显著性。零假设，即参数的真实总体值为0.0。P值回答了该问题：如果零假设为真，则对随机选择的数据样本的分析，会导致一个比本分析报告的参数更远或更远的参数的可能性有多大？Prism还可对结果是否具有“统计学显著”进行汇报，其定义为小于0.05的P值。

仅当您真切欲知真实参数值是否不为零时，才选择计算显著性（因而变量对模型无影响）。许多参数的情况并非如此。

此类参数究竟是交织的或冗余的？

Prism可汇报一个参数协方差矩阵，以向您展示模型中的各项参数如何与各其他各项参数相关联。如果选择参数协方差矩阵选项，则Prism将生成一个具有参数相关关系的附加结果表，并且还可生成一份有关这些相关关系的热点图。Prism亦可量化多重共线性--从其他变量中预测各变量的能力。

如何对拟合优度予以量化

如果已选择最小二乘回归

•乘以R²，多项相关系数，即为Y值和预测Y值之间的相关性。其为R2的平方根，且值始终介于0到1之间。

•R2是评估拟合优度的标准方法。

•调整后R2考虑到拟合数据的参数数量，因而具有比R更低的值2 （除非仅拟合一项参数，在此类情况下R2和调整后R2 完全一致）。

•平方和（或加权平方和），是Prism在拟合模型时最小化的值仅当您想将Prism的结果与其他程序的结果进行比较，或欲手动进行额外计算时，汇报此值才有用。

•Sy.x与RMSE是量化残差标准偏差的可选方法。我们推荐Sy.x，亦称Se。Sy.x将平方和除以N-K，其中N为分析的行数，K为拟合的参数数量。RMSE在分母中使用N-1，而非N-K

•AICc仅当您将相同的数据分别拟合三个或更多模型时才有用。随后，您可使用AICc在其间进行选择。但请注意，仅当模型作为唯一区别时，比较两种拟合之间的AICc才有意义。如果拟合之间的数据或权重不一致，则对AICc值的任何比较均无意义。

如果选择泊松回归

如果选择泊松回归，Prism提供三种方法对拟合优度进行量化：伪R2、色散指数以及模型偏差。伪R2可解读为非常像一个普通的R2。其他两个值仅得到深入研究泊松回归的人关注。

残差是否服从高斯分布？

最小二乘回归假设残差的分布服从高斯分布。Prism可通过对残差进行一次正态性检验来检验该假设。Prism提供了四种正态性检验。我们推荐D'Agostino-Pearson检验。

计算

选择用于所有结果的置信水平（即，95%或99%...），包括插补。