Prism 提供了许多可以报告的选项，这些选项提供了指定模型与拟合相同数据的其他模型的比较信息。具体地说，Prism 将报告指定模型和仅截距模型的 Akaike 修正信息准则（AICc）值、负对数似然值和模型偏差。下面将简要介绍这些值。

阿凯克校正信息准则 (AICc)

该值来源于信息论方法，试图确定数据与模型的拟合值。它既依赖于模型偏差（如下所述），也依赖于模型中参数的数量。请注意，许多其他软件包仅报告 AIC。这是 Akaike 信息准则的未校正形式，已被证明在样本量较小时会选择参数过多的模型（即过拟合）。下面是计算 AIC 和 AICc 所需的公式，以及如何在两者之间进行转换。

AIC = 2*k + 偏差

其中 k 是模型中的参数数（由 Prism 在结果的数据摘要部分报告）

AICc = AIC + [(2k2 + 2k)/(n-k-1)]。

其中，n 是样本量/观察数（由 Prism 在结果的数据摘要部分报告）

请注意，对于非线性回归，AIC 和 AICc 的等式有些不同。非线性回归（和多元线性回归）基本上拟合平方和的值，因此上述方程中的 k 用 k+1 代替。

负对数似然

虽然似然的概念有些复杂，但这只是另一个指标，通过它可以评估指定模型与输入数据的拟合程度。在数学上，对数似然为

对数似然 = Σ(ln(输入值为 1 时的预测概率)) + Σ(ln(1 - 输入值为 0 时的预测概率))

由于预测概率都小于 1（1-预测概率也小于 1），这些值的自然对数都是阴性。因此，所有这些负值的总和也是负值。因此，我们取这个值的负数，就得到了 "负对数可能性 "的正值（我知道这很容易混淆）。

一般来说，在比较拟合同一数据的两个模型时，对数似然值较大（负对数似然值较小）的模型被认为 "拟合 "得更好。

模型偏差

Prism 报告的最后一个指标可用于评估模型与数据的拟合程度，它也使用模型的似然值。如上所述，偏差也直接用于计算逻辑回归的 AIC（和 AICc）。幸运的是，一旦计算出负对数似然，计算模型偏差就很简单了：

模型偏差 = 2*（负对数可能性）

有时您会看到

偏离度 = -2*ln（似然比），或者甚至是

模型偏差 = -ln(Likelihood2)

这也是偏差有时也被称为 "G 平方 "的原因