“模型比较”报表

要创建Figure 13.8中所示的报表，请从“拟合曲线”红色小三角菜单中选择 S 形曲线 > Logistic 曲线 > 四参数 Logistic 拟合和 S 形曲线 > 四参数 Gompertz 拟合。

图 13.8 “模型比较”报表 

“模型比较”报表显示用于比较多个模型的拟合统计量。这些统计量包括 AICc、AICc 权重、BIC、误差平方和、均方误差、RMSE 和 R 方，它们的定义如下所述。

AICc

用于比较两个或多个统计模型的拟合优度测度。AICc 是针对小样本而调整的 AIC。仅当数据点数至少比参数个数多 2 个时，才可以计算 AICc。AICc 值最低的模型是最佳模型，在本例中是“四参数 Logistic”模型最佳。请参见《拟合线性模型》中的似然、AICc 和 BIC。

AICc 权重

提供加总为 1 的标准化 AICc 值。AICc 权重可解释为在其中的一个拟合模型成立的前提下，特定模型为真实模型的概率。因此，AICc 权重最接近 1 的模型是最佳拟合。在本例中，很明显“四参数 Logistic”模型是更好的拟合。仅使用非缺失 AICc 值计算 AICc 权重，如下所示：

AICcWeight = exp[-0.5(AICc-min(AICc))] / sum(exp[-0.5(AICc-min(AICc))])

其中，min(AICc) 是拟合模型中的最小 AICc 值。“AICc 权重”列是按照递减顺序排列的。

BIC

基于模型拟合的似然函数的测度，用于比较不同的拟合模型。模型的 BIC 值越低表明拟合的越好。请参见《拟合线性模型》中的似然、AICc 和 BIC。

误差平方和

每个观测与其预测值之间差值的平方和。

均方误差

提供每个值的误差平方的平均值。

RMSE

MSE（均方误差）的平方根，用于估计随机误差的标准差。

R 方

估计由模型而非随机误差解释的响应变量的变异的比例。R 方值越接近于 1，模型的拟合越好。

“模型比较”平台还提供其他选项，如标绘残差和实际值。请参见模型比较。