解释下评价参数模型和广义加性模型的统计量有：平均绝对误差（MAB），相对百分误差（MPB），均方根误差（RMSE），确定系数（R方）。模型检验使用留一交叉检验法（leave-one-out、cross-validation） ，检验结果通过MAB、MPB和RMSE来比较。

评价参数模型和广义加性模型的统计量主要有以下几个：

1. 平均绝对误差（MAB）：是预测值与真实值之间差的绝对值的平均值，用来衡量模型的预测误差大小。MAB越小，说明模型的预测误差越小，预测效果越好。
2. 相对百分误差（MPB）：是预测值与真实值之间差的绝对值与真实值之间的比值的平均值，用来衡量模型的预测误差相对大小。MPB越小，说明模型的预测误差相对较小，预测效果越好。
3. 均方根误差（RMSE）：是预测值与真实值之间差的平方的平均值的平方根，用来衡量模型的预测误差大小。RMSE越小，说明模型的预测误差越小，预测效果越好。
4. 确定系数（R方）：是预测值与真实值之间的相关系数的平方，用来衡量模型的拟合优度。R方越接近1，说明模型的拟合效果越好。

留一交叉检验法是一种常用的模型检验方法，它通过将数据集中的一个观测值作为测试集，剩余的观测值作为训练集，来评估模型的预测性能。具体地，对于每个观测值，模型都会被训练并预测其对应的响应变量，接着通过计算MAB、MPB、RMSE等统计量来评估模型的预测精度。最终，将所有的测试集上的预测精度指标进行平均，得到模型的整体预测性能评估结果。

在比较不同模型的预测效果时，通常可以通过比较MAB、MPB、RMSE等指标来选择最优模型。一般而言，预测效果好的模型应该具有较小的MAB、MPB和RMSE值，以及较高的R方值。