KNOWECON WIKI

ARTICLE

偏 $R^2$

偏 R^2 （Partial R^2 ） 定义 偏 R^2 （Partial R^2 ）是回归分析中衡量单个变量（或一组变量）对模型解释力度的增量贡献的指标。它度量的是：在控制了模型中其他所有变量之后，某个特定变量所能解释的因变量变异的比例。 正式地，考虑线性回归模型： 其中 X_1 是关注的变量集合， X_2 是控制变量集合。偏 R^2 定义为： 其中 S

浏览 0 更新 2026-01-07

偏 R2 R^2 （Partial R2 R^2 ）

定义

偏 R2 R^2 （Partial R2 R^2 ）是回归分析中衡量单个变量（或一组变量）对模型解释力度的增量贡献的指标。它度量的是：在控制了模型中其他所有变量之后，某个特定变量所能解释的因变量变异的比例。

正式地，考虑线性回归模型：

y=X1β1+X2β2+εy = X_1\beta_1 + X_2\beta_2 + \varepsilon

其中 X1 X_1 是关注的变量集合，X2 X_2 是控制变量集合。偏 R2 R^2 定义为：

偏 R2=SSE(X2)−SSE(X1,X2)SSE(X2)\text{偏 }R^2 = \frac{SSE(X_2) - SSE(X_1, X_2)}{SSE(X_2)}

其中 SSE(X2) SSE(X_2) 是仅包含 X2 X_2 （约束模型）的残差平方和，SSE(X1,X2) SSE(X_1, X_2) 是包含所有变量（无约束模型）的残差平方和。

等价地，偏 R2 R^2 也可以通过 F F 统计量表达：

偏 R2=t2t2+df\text{偏 }R^2 = \frac{t^2}{t^2 + df}

其中 t t 是该系数的 t t 统计量，df df 是残差自由度。

与普通 R2 R^2 的区别

普通 R2 R^2 衡量的是整个模型对因变量总变异的解释比例，而偏 R2 R^2 则剥离了其他变量的影响，专注于特定变量的边际贡献。二者的关键区别在于：

  • 普通 R2 R^2 ：R2=1−SSESST \displaystyle R^2 = 1 - \frac{SSE}{SST} ，度量模型整体拟合优度。
  • 偏 R2 R^2 ：度量在已有控制变量的基础上，加入新变量后残差变异减少的比例。

偏 R2 R^2 的值域为 [0,1] [0, 1] 。值为 0 表示该变量在控制其他变量后对因变量毫无解释力；值为 1 表示该变量能解释所有剩余变异。

偏 R2 R^2 的计算

偏 R2 R^2 有两种等价的递推定义方式。

方式一：基于两个回归

  1. 将 y y 对控制变量 X2 X_2 回归，得到残差 ey e_y ；
  2. 将关注的变量 X1 X_1 对控制变量 X2 X_2 回归，得到残差 ex e_x ；
  3. 将 ey e_y 对 ex e_x 回归，该回归的 R2 R^2 即为偏 R2 R^2 。

这一过程直观地体现了偏 R2 R^2 的"偏"之含义——它是在剔除了 X2 X_2 的影响后，X1 X_1 与 y y 之间"纯"相关关系的度量。

方式二：基于 F F 统计量

在只有一个待检验变量（即 X1 X_1 为单变量）时：

偏 R2=FF+dferror\text{偏 }R^2 = \frac{F}{F + df_{\text{error}}}

其中 F F 为检验该变量是否显著的 F F 统计量。这一关系揭示了偏 R2 R^2 与统计显著性之间的内在联系：偏 R2 R^2 越大，该变量的 F F 统计量越大，统计显著性越强。

偏 R2 R^2 与相关系数的关系

在简单线性回归（只有一个自变量）中，偏 R2 R^2 退化为普通 R2 R^2 ，且等于 Pearson 相关系数的平方。

在多元回归中，偏 R2 R^2 的平方根称为偏相关系数（Partial Correlation Coefficient），记作 ryx1⋅x2 r_{y x_1 \cdot x_2} ，它度量了在控制 x2 x_2 后 y y 与 x1 x_1 之间的线性相关程度。

偏相关系数与偏回归系数 β1 \beta_1 的关系为：

β1=ryx1⋅x2⋅sysx1⋅1−Ry⋅x221−Rx1⋅x22\beta_1 = r_{y x_1 \cdot x_2} \cdot \frac{s_y}{s_{x_1}} \cdot \sqrt{\frac{1 - R^2_{y \cdot x_2}}{1 - R^2_{x_1 \cdot x_2}}}

其中 sy s_y 和 sx1 s_{x_1} 分别为 y y 和 x1 x_1 的标准差，Ry⋅x22 R^2_{y \cdot x_2} 是 y y 对 x2 x_2 回归的 R2 R^2 ，Rx1⋅x22 R^2_{x_1 \cdot x_2} 是 x1 x_1 对 x2 x_2 回归的 R2 R^2 。

偏 R2 R^2 在模型选择中的作用

偏 R2 R^2 是变量筛选和模型比较的重要工具：

  1. 变量重要性排序：通过比较不同变量的偏 R2 R^2 ，可以判断哪些变量对模型的边际贡献最大。在存在多重共线性时，偏 R2 R^2 比普通回归系数的绝对值更能反映变量的真实贡献。
  1. 逐步回归：在前向逐步回归中，每一步选择偏 R2 R^2 最大的变量加入模型；在后向淘汰中，每一步剔除偏 R2 R^2 最小的变量。
  1. 方差分解分析：在 ANOVA 框架下，偏 R2 R^2 对应于每个效应（主效应或交互效应）的 ηp2 \eta^2_p （偏 Eta 平方），是衡量效应量的标准指标。
  1. 部分 R2 R^2 与全模型 R2 R^2 的关系：若模型包含 k k 个变量，各变量的偏 R2 R^2 与整体 R2 R^2 之间满足以下关系：
1−Rfull2=∏j=1k(1−偏 Rj2) 1 - R^2_{\text{full}} = \prod_{j=1}^k (1 - \text{偏 }R^2_j)

这意味着整体 R2 R^2 是由各变量的偏 R2 R^2 累积构成的。

注意事项与局限性

  1. 偏 R2 R^2 与回归系数符号无关：偏 R2 R^2 是平方量，不反映变量影响的方向。正效应和负效应可能具有相同的偏 R2 R^2 。因此，在报告偏 R2 R^2 的同时，必须配合回归系数的符号一起解读，才能全面理解变量与因变量之间的关系方向。
  1. 对模型设定敏感：偏 R2 R^2 的值依赖于模型中包含哪些控制变量。遗漏重要变量或包含无关变量都会影响偏 R2 R^2 的估计。不同研究者因采用不同的控制变量集而得到截然不同的偏 R2 R^2 值，这是一种常见的现象。
  1. 非线性关系：偏 R2 R^2 仅度量线性关系。若变量间存在非线性关系，偏 R2 R^2 可能低估其真实贡献。此时可考虑使用偏 η2 \eta^2 、半偏相关系数或引入多项式项、样条函数等非线性变换来改进度量。
  1. 不能替代经济显著性：偏 R2 R^2 大不一定意味着经济意义重要；偏 R2 R^2 小也不意味着变量不重要，尤其是在样本量大的情况下，即使偏 R2 R^2 很小，变量仍可能具有统计显著性和实际重要性。研究者应当结合效应量（如标准化回归系数）和经济理论进行综合判断。
  1. 多重共线性的影响：在高度共线性的情况下，各变量的偏 R2 R^2 可能都很小，即使整体 R2 R^2 很大。这是共线性导致系数估计不稳定的一种表现。此时偏 R2 R^2 无法有效区分各个共线变量的独立贡献，需要借助岭回归、主成分回归或 LASSO 等方法加以处理。
  1. 样本量依赖性：在小样本下，偏 R2 R^2 可能高估变量的真实贡献，存在过拟合偏向。调整偏 R2 R^2 （Adjusted Partial R2 R^2 ）可部分缓解这一问题，其计算公式为：
调整偏 R2=1−n−k−1n−m−1(1−偏 R2) \text{调整偏 }R^2 = 1 - \frac{n - k - 1}{n - m - 1}(1 - \text{偏 }R^2)

其中 n n 为样本量，k k 为全模型自变量个数，m m 为约束模型自变量个数。

应用举例

劳动经济学

在研究教育回报率时，若模型包含工作经验、行业、地区等控制变量，教育年限的偏 R2 R^2 反映了在控制这些因素后，教育所能解释的工资差异的比例。若该偏 R2 R^2 为 0.05，意味着教育在控制其他变量后仍能解释工资残差变异的 5\%，这在微观个体数据中通常被视为较大的效应量。

临床试验

偏 R2 R^2 可用于评估新治疗方法在控制基线特征后的增量效果。若偏 R2 R^2 较小，说明治疗方案的独立贡献有限；反之则说明治疗方案具有实质性的附加价值。此外，在协方差分析（ANCOVA）中，偏 R2 R^2 常用于报告处理效应的效应量。

市场营销

在消费者购买意愿的研究中，偏 R2 R^2 可以帮助营销人员识别哪些因素（如价格折扣、品牌忠诚度、广告曝光次数）在控制人口统计变量后对购买决策的增量解释力最大，从而优化营销资源配置。

环境经济学

在评估某项环境政策对污染物排放的影响时，偏 R2 R^2 能够衡量在控制经济发展水平、产业结构、人口密度等宏观因素后，该政策变量的独立贡献，为政策有效性评估提供量化依据。

小结

偏 R2 R^2 是回归分析中不可或缺的诊断工具，它超越了整体拟合优度的表面信息，揭示了每个变量在模型中的独特贡献。与普通 R2 R^2 的全局视角不同，偏 R2 R^2 提供的是局部、增量的视角，使研究者能够更加精确地评估变量的相对重要性。在模型比较、变量选择和效应量报告等场景中，偏 R2 R^2 都发挥着核心作用。