统计前的真实性检验

在查看任何统计学方法以比较拟合度之前，应用一种常识性的真实性检验。如果其中一个拟合度的结果在科学上无效，则接受另一个模型。仅当两个拟合度均具有科学意义时，才应采用统计学方法比较两个拟合度。

Prism将部分自动化进行该“真实性检验”方法。如果任一模型的拟合度模糊，则Prism会选择另一个模型，且不会执行任何统计学检验。

统计方法平衡了平方和的变化和自由度的变化

复杂模型（参数数量更多的模型）几乎总是比简单模型对数据的拟合度更高。需要使用统计方法来观察这种差异是否足以倾向于复杂模型。Prism可通过额外平方和F检验或使用信息论和AIC计算做到这一点。不要使用R²或调整后R²来比较模型（1）。

这两种方法仅当被比较的模型具有不同参数数量的情况下，并具有不同数量的自由度时才有意义。如果您想比较两个相同参数的模型，则没有必要使用F检验或AIC。只需选择最小平方和最适合数据的模型。

这些方法如何比较数据集？

Prism的“比较”选项卡允许您询问“所选非共享参数的最佳拟合值是否因数据集而异？”或者“一条曲线是否充分适合所有数据集？”。应用F检验或Akaike方法来回答这些问题是很简单的。Prism可以比较两个拟合值的平方和。

•在一次拟合中，模型分别拟合至每个数据集，并用平方和量化拟合优度。这些平方和值的总和量化了适合所有数据集的曲线族的拟合优度。

•另一种拟合是同时对所有数据集进行全局拟合，共享指定的参数。如果您询问Prism一条曲线是否适合所有数据集，则其会共享所有参数。

这两个拟合是嵌套的（第二个是第一个的更简单示例，需要拟合的参数更少），因此平方和（实际上是第一个拟合的平方和）可使用F检验或Akaike方法。

 

1.        Spiess, A.-N.和Neumeyer, N。对R2作为药理学和生物化学研究中非线性模型的不充分测量的评价：Monte Carlo方法。《BMC药理学》10，6-6（2010）。