比较模型的工作原理类似于多元线性回归。

选择第二种模式

在多元逻辑回归对话框的“比较”选项卡上，首先指定第二个模型的主要效应、交互作用和转换。在许多情况下，将第二个模型嵌套在第一个模型中（即，其将使用第一个模型的效应、交互作用和转换的子集）。如果是这种情况的话，第二个模型将是一个“更简单”的模型。

选择一种方法进行比较

对于逻辑回归，Prism提供了两种比较模型的方法：Akaike准则（AICc）和似然比检验（LRT）。

Akaike信息量准则（AICc）

AICc是一种信息论方法，使用Akaike准则的修正版本。该方法考虑到每个模型的模型偏差，确定数据对每个模型的支持程度。报告所选模型的模型偏差的选项也可在拟合优度选项卡多元逻辑回归对话框。结果表示为每个模型正确的概率，概率总和为100%。显然，该方法并未考虑到不同模型是正确的可能性。其仅仅比较其被要求比较的两个模型。如果一个模型比另一个模型更有可能正确（比如说，1%对99%），您会想要选择正确率更高的模型。然而，如果差值并不是很大（比如说40%与60%），则您肯定不知道哪个模型更好，且您会想要收集更多的数据。阅读更多关于这些计算如何工作的信息。重要的是，AICc可用来比较相同数据集上的任意两个模型。

该检验报告了为每个选定模型计算的AICc值的差值。此处给出了关于如何为逻辑回归计算AICc的更多信息。

似然比检验（LRT）

与AICc类似，LRT还使用模型偏差来确定哪个模型是首选的。然而，与AICc不同，当一个模型是另一个模型的缩减版本时，LRTs仅适用于检验。描述该场景的另一种方式是说这两个模型是“嵌套的”。尽管该检验仅在嵌套模型时有效，但Prism不会检查模型是否被嵌套。因此，在选择使用该检验来比较两个模型时，您必须小心。

将检验统计量计算为简单模型（具有更少参数的模型）和复杂模型（具有更多参数的模型）之间偏差的差值：

LRT统计量=偏差（简单模型）-偏差（复杂模型）

向模型添加参数（非常接近）始终会减少模型偏差。因此，检验统计量是对于更复杂的模型来说，偏差有多小。将该统计量的值用于计算P值。一个较小的P值表明拒绝简单模型是正确的零假设。在Prism中，您可以指定P值必须得多小才能拒绝该零假设（默认值为0.05）。