“整体模型检验”报表显示模型拟合效果是否好于常数响应概率。该报表类似于连续响应模型的“方差分析”报表。它是特定的似然比卡方检验，用于估计分类模型拟合数据的好坏程度。
观测到的概率的自然对数负数和称为负对数似然（–对数似然）。分类数据的负对数似然与连续数据中的平方和所起的作用相同：从数据所拟合模型与具有相等概率的模型得到的负对数似然差值加倍后便为卡方统计量。该检验统计量检查 x 变量对响应没有影响的假设是否成立。
R 方 (U)（有时表示为 R2）的值介于 0 到 1 之间。R2 值较大表示模型拟合效果好，这在分类模型中很少见。
“整体模型检验”报表包含以下列：
模型
有时称为“源”。
‒ 简化模型仅包含截距。
‒ 完全模型包含所有效应以及截距。
‒ 差值为完全模型和简化模型的对数似然差值。
自由度
记录与模型有关的自由度。
–对数似然
测量样本中的变异，有时称为不确定性。
完全（完全模型）是拟合模型后计算出的负对数似然（或不确定性）。拟合过程涉及使用线性模型和 Logistic 响应函数预测响应率。通过拟合过程将该值最小化。
简化（简化模型）是用固定背景比率估计概率情况下的负对数似然（或不确定性）。这是模型没有效果时的背景不确定性。
这两个负对数似然的差值是由于拟合模型导致的减少。该值的两倍即似然比卡方检验统计量。
请参见《拟合线性模型》中的似然、AICc 和 BIC。
卡方
似然比卡方检验检查在整个样本上模型的拟合效果不比固定响应率好的假设是否成立。它是差值模型的 –对数似然的两倍，即两个负对数似然差值的两倍，一个具有整个总体的响应概率，一个具有每个总体的响应率。请参见“Logistic”平台的统计详细信息。
概率>卡方
卡方检验观测到的显著性概率，通常称为 p 值。它是得到卡方值大于计算值的概率。若该概率小于 0.05，通常判断模型是显著的。
R 方 (U)
归因于模型拟合的总不确定性的比例，定义为差值负对数似然值除以简化负对数似然值所得的值。R 方 (U) 值为 1 指示预测的事件发生的概率等于 1：预测概率不存在不确定性。因为预测概率的确定性对于 Logistic 模型很少见，R 方 (U) 通常很小。请参见“Logistic”平台的统计详细信息。
注意：R 方 (U) 亦称 McFadden 伪 R 方。
AICc
校正的 Akaike 信息准则。请参见《拟合线性模型》中的似然、AICc 和 BIC。
BIC
Bayes 信息准则。请参见《拟合线性模型》中的似然、AICc 和 BIC。
观测数
有时称为“权重和”。计算中使用的总样本大小。若指定了权重变量，则为权重和。