R平方为0.99时，是否意味着模型很好地拟合了实际数据

【R平方为0.99时，是否意味着模型很好地拟合了实际数据】相关推荐

如果回归分析时某研究变量没有呈现出显著性，但是理论上认为应该具有显著性，此时可以考虑对样本进行筛选处理，以及将样本个人背景信息作为控制变量加入模型,重新进行分析。 10）R平方值很小，低于0.4。 R平方值表示模型的解释力度，即模型拟合度情况，此值介于0~1之间，数值越大，说明模型拟合度越高，通常情况下越大越好。实际研究中，此指标的意义相对较小，即使此指标小于0.4也没有关系。应该重点关注自变量X与因变量Y之间的回归关系，即自变量是否呈现出显著性。 11）调整R平方值为负数。 调整R平方值可以为负数，如果出现负数时，通常情况下R平方值会非常小，接近于0，模型基本没有意义。 12）控制变量是什么，用处是什么？

线性回归中的r你指的是相关系数吧，就是用来描述两个变量的线性相关程度。r绝对值越大表示2个变量间的线性相关程度越高。 线性回归中的R^2是决定系数，表示自变量（可能有多个）对因变量的解释程度，可以理解为因变量y的波动（变异）有多少比例可以由自变量来解释。这个R^2=1-\frac{SSE}{SST}可以用来评判线性回归整体模型的好坏。SSE表示回归模型的残差平方和，SST表示因变量Y的整体波动。但是有一个问题就是随着自变量个数的增多，R^2的值会增大，不管你引入到模型中的变量是否真的与因变量y有关系，都会造成R^2的增大。所以为了减缓这种虚假的现象，有人做了修正，就是调整后的R^{2}_{adjust}=1-\frac{SSE/(n-p-1)}{SST/(n-1)}，可以看到不同的是分子和分母都有变化，p是自变量的个数，n是样本量。引入自变量的个数后相当于对自变量个数多的回归模型做了一个惩罚，就是说不是自变量越多，这个R^2_{adjust}值就一定越大了。相当于是想用尽量少的自变量来达到尽可能大的R^2

毕业论文回归分析，R-square多少比较正常？用自己搜集的数据做，R-square才0.53…看到师兄师姐们都是0.85+，感觉好忐忑 R ²表示模型拟合能力的大小，比如0.3表示自变量 X对于因变量 Y有30%的解释能力。这个值介于0~1之间，越大越好。但实际研究中并没有固定的标准，有的专业0.1甚至0.05这样都可以，但有的专业却常常出现0.8以上。一般情况下只需要报告此值即可，不用过多关注其大小，原因在于多数时候我们更在乎 X对于 Y是否有影响关系即可。