Prism可让您对两种不同型号的拟合度进行比较。

选择第二种模式

在“多元回归”对话框“比较”选项卡上，首先选择第二个模型。在多数情况下，第二个模型将嵌套在第一个模型中。这意味着第二个模型更简单，其可能省略一个独立变量或一个或多个交互。

选择一种方法进行比较

Prism提供了两种方法来比较具有不同参数数量的模型，这些并非解决该问题的唯一方法，而是最常用的方法。

额外平方和F检验

额外平方和F检验是以传统统计假设检验为基础。

零假设确实是简单模型（参数较少的模型）。复杂模型的改进被量化为平方和的差异。您期望一些偶然地改进，但您偶然期望的数量是由每个模型中的数据点的数量和参数的数量决定的。F检验将平方和的差异与您所期望的偶然差异进行比较。结果表示为F比率，由此计算出P值。

P值回答了该问题：

如果零假设正确，则哪个实验部分（您的样本量）中的平方和差异会像您观察到的那样大还是比您观察到的更大？

如果P值很小，则得出结论，简单模型（零假设）错误，并接受复杂模型。通常，将阈值P值设为0.05的传统值。如果P值小于0.05，则拒绝更简单的（空）模型，并得出结论，复杂模型更适合。

信息论接近Akaike标准（AIC）

这种替代方法基于信息论，并不使用传统的“假设检验”统计范式。因此，它不产生P值，不会得出关于“统计显著性”的结论，也不“拒绝”任何模型。

该方法考虑拟合优度（平方和）和模型中参数的数量，确定数据对每个模型的支持程度。结果表示为每个模型正确的概率，概率总和为100%。如果一个模型比另一个模型更有可能正确（例如，1%与99%），您会想要选择正确率更高的模型。如果可能性的差异不是很大（例如，40%与60%），您就会知道这两种模型都可能是正确的，因此您会想要收集更多数据。计算的工作原理。

选择哪种方法？

在大多数情况下，您想要比较的模型将是“嵌套的”。这意味着一个模型是另一个模型的简单示例。例如，一个模型可包括交互项，而另一个模型不包括交互项，但在其他方面相同。

如果两个模型是嵌套模型，可使用F检验或 AIC方法，选择通常是个人偏好和惯例问题。药理学和生理学的基础科学家倾向于使用F检验，生态学和种群生物学等领域的科学家倾向于使用AIC方法。

如果模型不是嵌套模型，则F检验无效，应选择信息论方法。请注意，Prism不会检验模型是否嵌套。