“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。