自由度。自由度的数量等于分析的数据行数（Prism会忽略任何缺少或排除值的行）减去模型中的参数数。

多重R。 多项相关系数是Y值和预测Y值之间的相关性，是R的平方根2且值始终位于在0和1之间。

R2。多元回归模型解释的所有方差在Y中的分数。如果R2 等于1.0，则模型可完美地预测每个Y值，没有随机变异性。如果R2 等于0.0，则回归模型对于预测Y值做得很糟糕-您只需预测每个Y值等于您测量的Y值的平均值，就能得到同样准确的预测。当然，使用真实的数据，您不会看到那些极端R值2 但会看到R2值在0.0到1.0之间。如果计算r2 根据实际值与预测Y值的线性回归图，则r2 （来自线性回归）将与R相同2 来自多元回归。

调整后R2。即使数据均是随机的，您也期望R2 在您向方程中加入更多变量时变得更大。如果模型有更多的组成部分，它只是碰巧能更好地预测数据。调整后R2 通过修正模型中X变量的数值来修正这一点。注：

•如果收集随机数据，就会期望调整后R2 值平均为零。如果收集了多组随机数据，则调整后R2 值一半时间为负值，一半时间是正值。调整后的R怎么可能2 为负？如果调整后的R2确实为任何数的平方，则其总是为正。但调整后R2不是任何数的平方-只是R2减去修正值。

•调整后R2对于比较模型与不同数量独立变量的拟合非常有用。您不能比较R2，因为您期待R2与更多变量只是靠偶然拟合变得更小。

平方和。多元回归找出模型中的系数值，使预测Y值和实际Y值之差的平方和最小。

Sy.x与RMSE。存在量化残差标准偏差的可选方法。我们推荐Sy.x，又称“Se”。学习如何计算这些参数。

AICc。这是一个考虑了拟合优度以及模型中参数数量的值。如果用相同的权重将相同的数据拟合到两个模型中，则AICc较低的模型更有可能是正确的模型。这可能不是更好拟合数据的模型。通过增加大量独立变量（或相互作用）并因此增加模型拟合的参数数量，很容易更好地拟合数据。模型更好地拟合数据时，AICc会变小，但向模型添加参数时，AICc会变大。AICc的值取决于因变量的单位，因此不能以任何有用的方式解读为单个值。只能解读两个AICc值之间的差异。了解更多AICc（及其是如何计算的），见我们有关其如何用于非线性回归的解释。

Prism能以四种方式计算泊松拟合优度，可在诊断选项卡中选择。

无法使用泊松回归模型计算R2 。取而代之的是，Prism报告了伪R2。 可像解读常规R2一样来解读它。这是最容易理解的拟合优度，因此我们推荐使用。

伪R2计算三种模型的对数似然性： LLo，水平线模型的对数似然性； LLfit，您所选模型的对数似然性；和LLmax，可能最大的对数似然性，这可能发生在实际反应与预测反应完全相等时，此时模型可以准确预测每个点，所有残差等于0.0。计算伪R2的方程：

R²=（LLfit-LLo）/（LLmax-LLo）

从泊松分布中抽样数据时，方差等于平均值。Prism可报告方差与平均值的比率（VMR），称为分散率。Prism用值φ报告过度分散的程度。。如果φ远大于1.0，则曲线周围点的实际方差大于平均值，泊松模型可能不适用。这称为过度分散。一些程序提供了扩展的泊松回归来处理过度分散，但Prism没有（需要时请告知我们）。

AICc仅当您将相同的数据分别拟合两个或更多模型时才有用。随后，可使用AICc在其间进行选择。但请注意，仅当您选择的模型作为唯一区别时，比较两种拟合之间的AICc才有意义。如果拟合之间的数据不一致，则对AICc值的任何比较均无意义。同样重要的是，权重或回归方法对于所有拟合均是相同的。如果使用泊松回归进行一次拟合，则需要使用它进行所有拟合。

© 1995-2019 GraphPad Software, LLC. All rights reserved.