拟合汇总

“拟合汇总”报表提供 R 方计算以及 AICc 和 BIC 值之类的详细信息。

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。使用相应的“方差分析”表中的量，R 方（亦称多重判定系数）计算如下：

与 R 方越接近 0 相比，R 方越接近 1 表示数据拟合效果更好。R 方接近 0 表示与响应均值相比，该模型并不是更好的响应预测变量。

注意：较低的 R 方值表明可能有一些模型中不包含的变量可以解释无法解释的变异。不过，数据可能受大量的内在变异影响，即便是有用的回归模型也可能具有较低的 R 方值。阅读您的研究领域中的文献材料，了解有关典型 R 方值的信息。

调整 R 方

针对模型中的参数数目调整 R 方统计量。调整 R 方有利于包含不同数目参数的模型间进行比较。计算中使用自由度。使用相应“方差分析”表中的量，调整 R 方计算如下：

均方根误差

估计随机误差的标准差。该数量是“方差分析”报表中“误差均方”的平方根。

注意：均方根误差通常称为 RMSE。

响应均值

显示响应值的总均值。

观测数（或权重和）

显示模型中使用的观测数。

‒ 在以下条件下该值与数据表中的行数相同：没有缺失值、没有排除行，没有为任何列分配“权重”或“频数”角色。

‒ 该值是在为某列分配了“权重”角色时，“权重”列中正值的总和。

‒ 该值是在为某列分配了“频数”角色时，“频数”列中正值的总和。

AICc

显示校正的 Akaike 信息准则 (AICc) 值和 Bayesian 信息准则 (BIC) 值。请参见似然、AICc 和 BIC。

注意：仅当您在“回归报表”菜单中选定了“AICc”选项或将“AICc”设置为“拟合最小二乘法”首选项时，AICc 和 BIC 才会显示。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).