决定系数(R²)|计算与解释
决定系数是一个介于0和1之间的数字,用来衡量统计的好坏模型预测结果。
决定系数(R2) | 解释 |
---|---|
0 | 该模型不预测结果。 |
在0和1之间 | 该模型部分预测结果。 |
1 | 该模型完美的预测结果。 |
决定系数通常写成R2,发音为“r平方”。为简单线性回归,小写字母r通常用来代替(r2).
决定系数是多少?
决定系数(R²)衡量一个统计数据的好坏模型预测结果。结果由模型的结果表示因变量.
的最低可能值R²为0,最大值为1。简而言之,一个模型的预测能力越强,其预测结果就越接近R²等于1。
更多的技术,R2是一种适合度的度量。它是的比例方差在因变量中,由模型解释。
图形化你的线性回归数据通常给你一个很好的线索,是否它R2是高是低。例如,下图显示了两组模拟数据:
- 观测结果以圆点表示。
- 模型的预测(最佳拟合线)显示为一条黑线。
- 观测值和预测值之间的距离(残差)用紫色线表示。
你可以在第一个数据集中看到R2是高的,观察结果是接近模型的预测.换句话说,大多数点都接近于最佳拟合线:
相比之下,你可以在第二个数据集中看到R2是低的,观察值是与模型的预测相差甚远.也就是说,当R2是低,很多点都离最佳贴合线很远:
计算决定系数
你可以在两个公式中选择计算决定系数(R²)的简单线性回归。第一个公式是特定于简单线性回归,第二个公式可用于计算R²的多种统计模型。
公式1:利用相关系数
公式2:使用回归输出
以下是学生们喜欢Scribbr校对服务的原因
解释决定系数
你可以解释决定系数(R²)的比例方差在因变量这是统计数据所预测的模型.
另一种思考方式是R²是自变量和因变量之间的方差比例。
你也可以说R²是模型“解释”或“解释”的方差的比例。(1−.R²)为模型未预测到的方差。
如果您愿意,您可以编写R²是百分比,而不是比例。简单地将比例乘以100。
R²作为效应大小
最后,您还可以解释R²作为an影响的大小:因变量和自变量之间关系强度的度量。心理学家和统计学家雅各布·科恩(1988)提出了以下的经验法则简单线性回归:
最小决定系数(R²)值 | 效应量解释 |
---|---|
. 01 | 小 |
.09点 | 媒介 |
二十五分 | 大 |
小心:R²本身并不能告诉你任何关于因果关系.
报告决定系数
如果你决定加入一个决定系数(R²)在你的研究论文,论文或论文,你应该在你的结果部分.如果你愿意,你可以遵循这些规则以APA风格报告统计数据:
- 你应该使用"r²”用于具有一个自变量的统计模型(如简单线性回归)。使用“R²"用于具有多个自变量的统计模型。
- 你不需要提供参考或公式,因为决定系数是一个常用的统计。
- 你应该用斜体r²,R当报告它们的值时(但不要用斜体)。
- 你不应该包含前导零(小数点前的零),因为决定系数不能大于1。
- 您应该在小数点后提供两个有效数字。
- 通常,决定系数与相关的统计结果一起提供,例如F价值,自由度,p价值.
实践问题
关于决定系数的常见问题
- 如何计算R中的决定系数(R²)?
-
可以使用summary()函数查看R²你会在输出的底部附近看到“r平方”。
引用这篇Scribbr文章
如果你想引用这个来源,你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮,自动添加到我们的免费引用生成器引用。