发布日期: 11/15/2021

“模型比较”报表

要创建图 14.8 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S 形曲线 > 四参数 Gompertz 拟合

图 14.8 “模型比较”报表 

Image shown here

“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:

AICc 权重 = 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

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