本案例依原書 Table 5.3「Model tests results synthesis」及其前後正文整理。
將 Omnibus、Cox & Snell R²、Nagelkerke R²、−2 Log Likelihood、Hosmer–Lemeshow 五類檢定放在同一模型比較框架中，同時保留原表文字抽取的限制。
原書對 12 個 Segment／Equation Model 進行五類檢定。作者正文指出：Omnibus 最顯著的是 em31、em32、em42、em43；Cox & Snell R² 對 em31、em32、em41、em42、em43 顯示較高解釋力，正文另提 em33；Nagelkerke R² 則確認 EHDI／EVHDI 在所有 Enterprise Size 的解釋能力。−2LL 與 Hosmer–Lemeshow 也大致支持高／極高 DII 模型。
| 檢定 | 原書正文可確認結論 | 限制 |
|---|---|---|
| Omnibus | em31、em32、em42、em43 最顯著 |
Table 5.3 文字抽取不適合據此重建所有格值 |
| Cox & Snell R² | 高解釋力集中於 EHDI／EVHDI；正文點名 em31、em32、em41、em42、em43，另提 em33 |
原文句子本身有重複／表達不整齊，教材不自行調和 |
| Nagelkerke R² | EHDI／EVHDI 對各 Size 解釋力較強 | 不等於 Accuracy |
| −2LL | EHDI／EVHDI 多數 Size 預測適配較佳；EHDI Large 為例外 | 極低值仍要檢查 Overfitting |
| Hosmer–Lemeshow | EHDI／EVHDI 多數模型 Adequate；另加入 ELDI Large | 需與其他 Test 合併判讀 |
| Table 5.3 抽取狀態 | EVHDI／Large 區段出現 Model Code 錯位跡象 | 不自行更正、補齊或猜測 |
Excel 可建立 Model × Test Matrix，每一格只輸入原表可靠讀值或作者正文確認狀態；若原表抽取異常，使用 Data unavailable／Extraction ambiguous，不要猜測。AI 可協助整理跨 Test 一致性。
本案例不新增重算數值。可確認的是作者正文對高／極高 DII Model 的整體支持；Table 5.3 的個別格碼在文字抽取中存在不一致，因此不做完整矩陣復原。
模型選擇應採 Multi-test Evidence，而不是只看一個好看的指標。當來源表格本身無法可靠讀取時，教材應降低解析粒度，而不是製造一張看似完整但可能錯誤的表。
請根據作者正文與可靠表格讀值建立 Model × Test Evidence Matrix。任何來源格值若抽取錯位或無法確認，請標記「資料無法可靠讀取」，不要推測原值。