Prism 提供了四个伪 R 平方值。在评估这些值时，重要的是要记住，不能用线性回归中的 R 平方来解读这些值。起初，这可能具有挑战性，因为尽管它们不能提供关于模型的相同信息，但它们的开发与该流行指标有一些相似之处，例如它们被限制在 0 和 1 之间。

特优尔 R 平方

特优尔 R 平方的定义非常直观。对于数据表中所有观察到的 0，计算平均预测值。同样，对于数据表中所有观察到的 1，计算平均预测值。特茹尔 R 平方是两个均方值之间的距离（差值的绝对值）。因此，Tjur's R 平方值接近 1 表示 0 和 1 的预测值之间存在明显的差异。此外，特茹尔 R 平方（与线性回归中的 R 平方一样）实际上介于 0 和 1 之间。

特茹尔 R 平方 = |0s 的平均预测值 - 1s 的平均预测值

麦克法登 R 平方

McFadden（以及 Cox-Snell 和 Nagelkerke）R 平方使用似然值计算。本指南的模型诊断部分简要讨论了似然和对数似然的概念。不过，了解对数似然的计算方法并不是关键，关键是要了解这个伪 R 平方指标告诉你什么。简而言之，似然（和对数似然）可以让您了解模型与数据的拟合程度。McFadden's R 平方计算的是指定模型和仅截距模型的对数似然比，然后从 1 减去这个比值：

麦克法登 R 平方 = 1 -（LogLikelihood（指定模型）/LogLikelihood（仅截距模型）

如果指定模型很好地拟合了数据，比率或对数似然值就会很小，麦克法登 R 平方就会接近 1；如果仅截距模型更接近数据，比率就会更接近 1，麦克法登 R 平方就会更接近 0。

考克斯-斯内尔 R 平方

与 McFadden 的 R 平方类似，Cox-Snell 的 R 平方使用所选模型和仅截距模型拟合相同数据的似然比（McFadden 的 R 平方使用对数似然比）。在这种情况下

Cox-Snell 的 R 平方 = 1 - [(Likelihood(Intercept-only Model)/(Likelihood(Specified Model)]2/n，其中 n 是观测值的数量。

值得注意的是，虽然 Cox-Snell R 平方采用了与 McFadden R 平方类似的方法，但 Cox-Snell R 平方的上限并不是 1；事实上，在许多情况下上限可能远小于 1。这意味着即使指定模型完全拟合数据，Cox-Snell R 平方也可能小于 1！

纳格尔克 R 平方

Nagelkerke R 平方可以看作是 "调整后的 Cox-Snell R 平方 "均方值，用于解决上述 Cox-Snell R 平方上限不为 1 的问题。换句话说

Nagelkerke 的 R 平方 = (Cox-Snell 的 R 平方)/(1-Likelihood(仅截距模型)2/n)，其中 n 是观测值的数量。

本网站包含有关这些及其他伪 R 平方值的更多信息，而本文则对这些及其他拟合优度指标进行了很好的评估。