Prism提供四个伪R平方值。在评估这些值时，重要的是要记住这些值无法用与线性回归中的R平方相同的方式来解读。首先这可能是具有挑战性的，由于以下事实-尽管它们不提供关于模型的相同信息-它们已发展成与该流行指标存在某些类比，例如将它们限制在0和1之间的事实。

Tjur R平方

Tjur的R平方具有一个吸引人的直观定义。对于数据表中所有观察到的0，计算平均预测值。类似地，对于数据表中所有观察到的1，计算平均预测值。Tjur的R平方是两个平均值之间的距离（差值的绝对值）。因此，Tjur的R平方值接近1表示0和1的预测值之间存在明显的分离。此外，Tjur的R平方（如同线性回归中的R平方）实际上是在0和1之间。

Tjur R平方=|0的平均预测值–1的平均预测值|

McFadden的R平方

McFadden（以及Cox-Snell和Nagelkerke）的R平方用似然比来计算。似然比和对数似然比概念的附加信息在模型诊断部分中进行了简要讨论。然而，了解对数似然比是如何计算以获得该伪R平方指标告知您的概念并不重要。简言之，似然比（和对数似然比）告诉您关于模型对数据的拟合程度的概念。McFadden的R平方计算指定模型和仅截距模型的对数似然比，并从1中减去该比值。换言之：

McFadden的R平方=1-（对数似然比（指定模型）/对数似然比（仅截距模型）

如果指定模型很好地拟合数据，则比率或对数似然比将较小，且McFadden的R平方将接近1。如果仅截距模型更接近拟合数据，比率将更接近1，且McFadden的R平方将更接近零。

Cox-Snell R平方

与McFadden的R平方相似，Cox-Snell的R平方使用所选模型和仅截距模型的似然比来拟合相同数据（McFadden的R平方使用对数似然比）。在此情况下，

Cox-Snell的R平方=1-[（似然比（仅截距模型）/（似然比（指定模型）]2/n，其中n为观察数。

值得注意的是，尽管Cox-Snell的R平方与McFadden的R平方采用相似的方法，但Cox-Snell的R平方的上限并不等于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的R平方也可能小于1！

Nagelkerke的R平方

Nagelkerke的R平方可以被认为是“调整后的Cox-Snell的R平方”，意思是解决上述问题，其中Cox-Snell的R平方的上限并非1。这是通过将Cox-Snell的R平方除以其最大可能值来实现。换言之：

Nagelkerke的R平方=（Cox-Snell的R平方）/（1-似然比（仅截距模型）2/n），其中n为观察数

该网站包含关于这些和其他伪R平方值的更多信息，同时本文提供了对这些和其他拟合优度指标的良好评估。