Prism提供了许多可报告的选项，这些选项提供了指定模型与拟合相同数据的其他模型相比的信息。具体来说，Prism将报告Akaike的校正信息标准（AICc）、负对数似然比值以及指定模型和仅截距模型的模型偏差。以下简要描述了这些值中的每一个。

Akaike的校正信息标准（AICc）

该值来自试图确定数据与模型的拟合程度的信息论方法，其取决于模型偏差（如下所述）以及模型中的参数数量。请注意，许多其他软件包将仅报告AIC。这是Akaike信息标准的一种未经修正的形式，在样品量较小时，证明选择了具有过多参数的模型（换言之，其将过度拟合）。以下是计算AIC和AICc所需的方程，以及如何在两者之间转换。

AIC =2*k+偏差

其中，k是模型中的参数数量（由Prism在结果的数据汇总部分中报告）

AICc=AIC+[（2k2+2k）/（n-k-1）]

其中，n是样品量/观察数（由Prism在结果的数据汇总部分中报告）

请注意，对于非线性回归，AIC和AICc方程略有不同。非线性回归（和多元线性回归）本质上拟合平方和的值，因此上述方程中的k替换为k+1。

负对数似然性

尽管似然比的概念有些复杂，但这只是另一个指标，您可以通过其来评估指定模型与输入数据的拟合程度。在数学上，对数似然比为：

对数似然比=Σ（ln（输入为1的值的预测概率））+Σ（ln（1-输入为0的值的预测概率））

因为预测概率均小于1（而1-预测概率同样小于1），所以这些值的自然对数均为负。因此，所有这些负值的总和同样为负。因此，我们取该值的负值，以获得“负对数似然比”的正值（我知道这很容易混淆）。

在一般情况下，在比较两个模型拟合到相同数据时，具有较大对数似然比（较小负对数似然比）的模型被认为更好“拟合”。

模型偏差

Prism报告的最终指标可用于评估模型与数据的拟合程度，并使用模型的似然比。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，一旦您计算出负对数似然比，计算模型偏差较为简单：

模型偏差=2*（负对数似然比）

有时您会将其看作

偏差=-2*ln（似然比），或甚至为

偏差=-ln（似然比2）

这也是为什么偏差有时又称“G平方”