擬合優度指標是用于評估模型對數據擬合程度的統計量。選擇合適的擬合優度指標需要考慮以下因素：

1. 模型類型：

線性回歸：通常使用R2（決定系數）、調整R2（調整決定系數）、均方誤差（MSE）、均方根誤差（RMSE）等。

邏輯回歸：常用的是似然比檢驗（Likelihood Ratio Test）、赤池信息準則（AIC）、貝葉斯信息準則（BIC）等。

時間序列分析：常用的有自相關函數（ACF）、偏自相關函數（PACF）、信息準則（如AIC、BIC）等。

2. 數據分布：

如果數據接近正態分布，MSE和RMSE可能是較好的選擇。

如果數據分布偏斜，可以考慮使用中位數絕對偏差（MAD）等。

3. 模型復雜度：

對于高復雜度的模型，如多項式回歸，調整R2可以避免過擬合。

對于低復雜度的模型，如線性回歸，R2可能是一個好的選擇。

4. 模型目的：

如果目的是預測，那么MSE和RMSE可能更合適，因為它們關注的是預測誤差。

如果目的是解釋，那么R2可能更合適，因為它反映了模型對數據的解釋程度。

5. 實際應用：

在實際應用中，可能需要根據具體情況選擇不同的指標。例如，在金融領域，可能更關注預測的準確性，而在生物醫學領域，可能更關注預測的穩定性。

以下是一些常用的擬合優度指標：

R2（決定系數）：表示模型對數據的解釋程度，取值范圍在0到1之間，越接近1表示擬合越好。

調整R2：考慮了模型復雜度，對高復雜度的模型進行懲罰。

MSE（均方誤差）：預測值與實際值差的平方的平均值，數值越小表示擬合越好。

RMSE（均方根誤差）：MSE的平方根，更容易理解。

AIC（赤池信息準則）：綜合考慮了模型的擬合優度和復雜度。

BIC（貝葉斯信息準則）：類似于AIC，但更傾向于選擇復雜度較低的模型。

在選擇擬合優度指標時，需要綜合考慮以上因素，并根據具體情況進行選擇。