比较模型的工作原理与多元线性回归类似。

选择第二个模型

在多重逻辑回归对话框的比较选项卡上，首先为第二个模型指定主效应、交互作用和变换。在很多情况下，第二个模型会嵌套在第一个模型中（即使用第一个模型的效应、交互作用和变换的子集）。如果是这种情况，第二个模型将是一个 "简单 "模型。

选择比较方法

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

阿卡克信息准则 (AICc)

AICc 是一种信息论方法，使用的是阿卡克准则的修正版。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。在多元逻辑回归对话框的拟合优度选项卡上，还可以选择报告所选模型的模型偏差。结果以每个模型正确的概率表示，概率总和为 100%。显然，这种修正方法不考虑不同模型正确的可能性。它只是对要求比较的两个模型进行比较。如果一个模型比另一个正确的可能性大得多（比如 1%比 99%），你就会想选择它。但是，如果差别不是很大（比如 40% 对 60%），您就不能确定哪个模型更好，因此您需要收集更多的数据。了解更多有关这些计算方法的信息。重要的是，AICc 可用来比较同一数据集上的任意两个模型。

此检验值会报告为所选的每个模型计算出的 AICc 值之差。有关逻辑回归 AICc 计算方法的更多信息，请点击此处。

似然比检验 (LRT)

与 AICc 类似，LRT 也使用模型偏差来确定哪个模型更优。不过，与 AICc 不同的是，LRT 只适用于当一个模型是另一个模型的缩小版时进行检验。描述这种情况的另一种方法是说两个模型是 "嵌套 "的。虽然这种检验只有在模型嵌套时才有效，但 Prism 不会检查模型是否嵌套。因此，在选择使用该检验比较两个模型时必须谨慎。

检验统计量的计算方法是：较简单模型（参数较少的模型）与较复杂模型（参数较多的模型）的偏差之差：

LRT 统计量 = 偏差（简单模型）- 偏差（复杂模型）

给模型增加参数（几乎）总是会减小模型偏差。因此，检验统计量就是更复杂模型的偏差小多少。该统计量的值用于计算 P 值。P 值越小，说明拒绝了简单模型正确的零假设。在 Prism 中，您可以指定 P 值必须有多小才能拒绝这个零假设（默认值为 0.05）。