在比较多个多元线性回归模型时，调整后的 \( R^2 \)（调整 \( R^2 \)）是一个更为合适的指标。因此，正确答案是 **B: 调整R方**。

### 分析：

1. **\( R^2 \)（R方）**：
- \( R^2 \) 指标表示自变量对因变量的解释比例，值越高表示模型拟合越好。
- **缺点**： \( R^2 \) 会随着自变量数量的增加而不减小，即使增加的自变量对模型没有实质性的改进。

2. **调整 \( R^2 \)**：
- 调整 \( R^2 \) 是对 \( R^2 \) 进行修正，用于比较不同的回归模型，尤其是自变量数量不同的模型。它考虑了模型复杂度，通过惩罚增加不显著的自变量来调整 \( R^2 \)。
- **优点**：提供了一个更公平的指标来比较具有不同数量自变量的模型。

3. **F统计量**：
- 用于检验模型整体显著性，即自变量是否整体上对因变量有显著影响。主要用于单个模型的假设检验，而不是直接比较多个模型。

4. **T统计量**：
- 用于检验单个自变量的显著性，评估每个自变量对因变量的影响。这也是单个模型内部的检验工具，不适合直接用于多个模型比较。

### 推荐的比较方式：

| 指标 | 适用场景 |
|-------------|--------------------------------------------------|
| \( R^2 \) | 适合初步了解模型的拟合优度，但不足以比较模型 |
| 调整 \( R^2 \) | 适合比较不同模型，尤其是自变量数量不同的模型|
| F统计量 | 检验模型整体是否显著 |
| T统计量 | 检验各个自变量的显著性 |

总之，调整 \( R^2 \) 提供了一个合适的工具来对比不同回归模型的优劣，特别是在自变量数量不一致的情况下。