我正在寻找泊松 GLM 的“解释方差”的适当度量（使用对数链接函数）。

我发现了许多不同的资源（在这个站点和其他地方）讨论了许多不同的伪度量，但几乎每个站点都提到了与 logit-link 函数相关的度量，而他们没有讨论伪度量是否适用于其他链接函数，例如我的泊松分布 GLM 的 log-link。$R^2$$R^2$

例如，以下是我发现的一些网站：

哪个伪度量是要报告逻辑回归（Cox & Snell 或 Nagelkerke）的度量？$R^2$

http://thestatsgeek.com/2014/02/08/r-squared-in-logistic-regression/

http://www.ats.ucla.edu/stat/mult_pkg/faq/general/Psuedo_RSquareds.htm

我的问题是：这些链接中讨论的任何方法（特别是 UCLA 页面上的常见问题解答）是否适用于 Poission GLM（使用日志链接功能）？是否有任何特定方法比任何其他方法更合适和/或更标准地使用？

一些背景：

这是一篇研究论文，我在其中使用 Poission GLM 来分析神经数据。我正在使用模型的偏差（假设泊松分布计算）来比较两个模型：一个模型 (A)，其中包括另一个模型 (B) 中遗漏的 5 个参数。我的兴趣（也是本文的重点）是表明这 5 个参数在统计上改善了模型拟合。然而，其中一位审稿人希望了解两种模型与数据的拟合程度。

如果我使用 OLS 来拟合我的数据，那么审阅者实际上是在询问具有 5 个参数和不带 5 个参数的模型对我来说，这似乎是一个合理的要求。假设，模型 B 的为 0.05，模型 A 的为 0.25：尽管这可能是统计上显着的改进，但这两个模型都不能很好地解释数据。或者，如果模型 B 的为 0.5，模型 A 的为 0.7，则可以以非常不同的方式解释。我正在寻找可以以与我的 GLM 类似的方式应用的最合适的度量。$R^2$$R^2$$R^2$$R^2$$R^2$