Please enable JavaScript to view this site.

 

最小二乘回归

自由度。自由度的数量等于分析的数据行数(Prism会忽略任何缺少或排除值的行)减去模型中的参数数。

多重R。 多项相关系数是Y值和预测Y值之间的相关性,是R的平方根2且值始终位于在0和1之间。

R2。多元回归模型解释的所有方差在Y中的分数。如果R2 等于1.0,则模型可完美地预测每个Y值,没有随机变异性。如果R2 等于0.0,则回归模型对于预测Y值做得很糟糕-您只需预测每个Y值等于您测量的Y值的平均值,就能得到同样准确的预测。当然,使用真实的数据,您不会看到那些极端R值2 但会看到R2值在0.0到1.0之间。如果计算r2 根据实际值与预测Y值的线性回归图,则r2 (来自线性回归)将与R相同2 来自多元回归。

调整后R2。即使数据均是随机的,您也期望R2 在您向方程中加入更多变量时变得更大。如果模型有更多的组成部分,它只是碰巧能更好地预测数据。调整后R2 通过修正模型中X变量的数值来修正这一点。注:

如果收集随机数据,就会期望调整后R2 值平均为零。如果收集了多组随机数据,则调整后R2 值一半时间为负值,一半时间是正值。调整后的R怎么可能2 为负?如果调整后的R2确实为任何数的平方,则其总是为正。但调整后R2不是任何数的平方-只是R2减去修正值。

调整后R2对于比较模型与不同数量独立变量的拟合非常有用。您不能比较R2,因为您期待R2与更多变量只是靠偶然拟合变得更小。

平方和。多元回归找出模型中的系数值,使预测Y值和实际Y值之差的平方和最小。

Sy.x与RMSE。存在量化残差标准偏差的可选方法。我们推荐Sy.x,又称“Se”。学习如何计算这些参数。

AICc。这是一个考虑了拟合优度以及模型中参数数量的值。如果用相同的权重将相同的数据拟合到两个模型中,则AICc较低的模型更有可能是正确的模型。这可能不是更好拟合数据的模型。通过增加大量独立变量(或相互作用)并因此增加模型拟合的参数数量,很容易更好地拟合数据。模型更好地拟合数据时,AICc会变小,但向模型添加参数时,AICc会变大。AICc的值取决于因变量的单位,因此不能以任何有用的方式解读为单个值。只能解读两个AICc值之间的差异。了解更多AICc(及其是如何计算的),见我们有关其如何用于非线性回归的解释。

泊松回归

Prism能以四种方式计算泊松拟合优度,可在诊断选项卡中选择。

Pseudo R²

无法使用泊松回归模型计算R2 。取而代之的是,Prism报告了伪R2可像解读常规R2一样来解读它。这是最容易理解的拟合优度,因此我们推荐使用。

伪R2计算三种模型的对数似然性: LLo,水平线模型的对数似然性; LLfit,您所选模型的对数似然性;和LLmax,可能最大的对数似然性,这可能发生在实际反应与预测反应完全相等时,此时模型可以准确预测每个点,所有残差等于0.0。计算伪R2的方程:

R²=(LLfit-LLo)/(LLmax-LLo)

负对数似然性

如Prism报告,使最小二乘回归最小化平方和。泊松回归最大化了似然性的负对数,Prism可报告。

偏离或G2

偏差是最大可能对数似然性(见上文)和拟合模型对数似然性之间差异的两倍。偏差的公式是D=2(LLmax - LLfit)。这也称为G2

分散率

从泊松分布中抽样数据时,方差等于平均值。Prism可报告方差与平均值的比率(VMR),称为分散率。Prism用值φ报告过度分散的程度。。如果φ远大于1.0,则曲线周围点的实际方差大于平均值,泊松模型可能不适用。这称为过度分散。一些程序提供了扩展的泊松回归来处理过度分散,但Prism没有(需要时请告知我们)。

AICc

AICc仅当您将相同的数据分别拟合两个或更多模型时才有用。随后,可使用AICc在其间进行选择。但请注意,仅当您选择的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不一致,则对AICc值的任何比较均无意义。同样重要的是,权重或回归方法对于所有拟合均是相同的。如果使用泊松回归进行一次拟合,则需要使用它进行所有拟合。

 

© 1995-2019 GraphPad Software, LLC. All rights reserved.