要确定模型对数据的拟合优度，请检查对数似然和相关性度量。对数似然值越大，数据拟合得越好。由于对数似然值为负，因此越接近于 0，值越大。对数似然取决于样本数据，因此您无法使用对数似然比较不同数据集的模型。

当您向模型中添加项时，对数似然无法减小。例如，5 项模型的对数似然大于使用相同项构建的任何 4 项模型的对数似然。因此，对数似然最适用于比较具有相同样本数量的模型。要对单独项做出决策，通常您可以查看项在不同 Logit 中的 P 值。

Somers' D、Goodman-Kruskal Gamma 和 Kendall's tau-a 的值越大，表明模型的预测能力越强。Somers' D 和 Goodman-Kruskal Gamma 可以介于 -1 和 1 之间。Kendall's tau-a 可以介于 -2/3 和 2/3 之间。值接近于 0，表明模型无法预测响应变量。负值实际很少见，因为该情况下的预测能力比模型和响应变量不相关时的预测能力差。

例如，一家诊所的管理者研究了影响患者满意度的因素。在第一组结果中，患者去医生门诊的距离可以预测患者复诊的可能性。对数似然为 −68.987。Somers' D 和 Goodman-Kruskal gamma 为 0.13。Kendall's tau-a 为 0.07。这些值如果接近于 0，则表明距离和响应变量之间的关系较弱。所有斜率均为零的检验的 P 值大于 0.05，因此这位管理者尝试了另一个模型。

在第二组结果中，距离和距离的平方都是预测变量。您无法使用对数似然比较这些模型，因为这些模型包含的项数不同。第二个模型的相关性度量较高，这表示第二个模型的执行能力比第一个模型的好。