尤度・AICc・BIC
JMPにおいては、統計モデルを推定するのに、最尤法が多く使われています。最尤法は、尤度が最大になるようなモデルパラメータ（一般的にbと記されます）を求める推定方法です。「尤度」（ここではL(b)と記します）とは、観測されたデータで評価された確率密度関数の積（離散分布の場合は確率質量関数の積）です。最尤法は、観測されたデータを所与として、L(b)を最大化するパラメータbを求めます。
尤度L(b)そのものを最大化するよりも、尤度の自然対数に‐1を掛けたもの（つまり、-Log L(b)）を最小化する方が簡単です。L(b)を最大化する問題は、この負の対数尤度（ (-1)*対数尤度 = -Log L(b)）を最小化する問題と等価です。そのため、負の対数尤度（または対数尤度に-2を掛けたもの）が小さいほど、モデルの適合度が良いことを示します。
異なるプラットフォームでモデルを推定した場合も、負の対数尤度に基づいて、それらの異なるモデルを比較したり、仮説検定を計算したりできます。モデルを比較する仮説検定は、尤度比によって行えます。多くのプラットフォームでは「(-2)*対数尤度」がレポートされていますが、この統計量を用いる理由の1つは、完全モデルと縮小モデルにおける「(-2)*対数尤度」の差が漸近的にカイ2乗分布に従うからです。なお、この尤度比検定における自由度は、完全モデルと縮小モデルのパラメータ数の差です（Wilks, 1938）。
修正済み赤池情報量規準（AICc）およびベイズ情報量規準（BIC）は、情報量に基づいて、モデルの良さを評価します。両者とも対数尤度を‐2倍したものを計算に用いています。
AICcは次のように定義されます。
ここで、kはモデルで推定されるパラメータの個数、nはモデルに使用された標本サイズです。AICcは、同じデータセットにさまざまなモデルをあてはめたとき、それらから最良のモデルを選択するのに使われています。いくつかのモデルを比較したときに、AICcが小さい方が良いモデルとみなされます（Akaike 1974）。
BICは次のように定義されます。
ここで、kはモデルで推定されるパラメータの個数、nはモデルに使用された標本サイズです。いくつかのモデルを比較したときに、BICが小さい方が良いモデルとみなされます。
一般に、BICの方がAICcよりも、パラメータに対する罰則（ペナルティ）が大きくなっています。そのため、BICの方がAICcよりも、パラメータの少ないモデル（パラメータが節約されたモデル）を選択します。AICcとBICの詳細な比較については、Burnham and Anderson（2004）を参照してください。
最小2乗回帰におけるAICcおよびBICの簡略式
最小2乗回帰の場合、AICcとBICは誤差平方和（SSE）に基づいて計算することもできます。SSEでは、AICcとBICは以下のように定義されます。
ここで、kはモデルに含まれるパラメータ推定値の個数、nはモデルで使用された標本サイズ、SSEはモデルの誤差平方和です。