KNOWECON WIKI

ARTICLE

决定系数 (R-squared)

决定系数 (R-squared) 决定系数 (Coefficient of Determination)，记作 R^2 （读作 "R-squared"），是\%回归分析\%中衡量模型拟合优度的最重要统计量之一。它定量回答了这样一个问题：因变量的总变异中有多大比例能够被回归模型中的自变量所解释？ R^2 的取值范围通常在 [0, 1] 之间，其值越接近 1 ，

浏览 0 更新 2025-10-26

决定系数 (R-squared)

决定系数 (Coefficient of Determination)，记作 R2 R^2 （读作 "R-squared"），是\%回归分析\%中衡量模型拟合优度的最重要统计量之一。它定量回答了这样一个问题：因变量的总变异中有多大比例能够被回归模型中的自变量所解释？R2 R^2 的取值范围通常在 [0,1] [0, 1] 之间，其值越接近 1 1 ，表明模型对数据的拟合程度越高；越接近 0 0 ，则表明模型几乎不具备解释力。

理论基础：平方和的分解

要理解 R2 R^2 ，首先需要认识\%回归分析\%中三个核心平方和的概念。对于每个观测值 yi y_i ，其与均值 yˉ \bar{y} 的离差可以分解为模型可解释部分与不可解释部分：

(yi−yˉ)=(y^i−yˉ)+(yi−y^i)(y_i - \bar{y}) = (\hat{y}_i - \bar{y}) + (y_i - \hat{y}_i)

对等式两边平方并求和，在\%普通最小二乘法\% (OLS) 的假设下，可以得到方差分解恒等式：

∑i=1n(yi−yˉ)2=∑i=1n(y^i−yˉ)2+∑i=1n(yi−y^i)2\sum_{i=1}^{n} (y_i - \bar{y})^2 = \sum_{i=1}^{n} (\hat{y}_i - \bar{y})^2 + \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

这一恒等式可以简洁地写作 TSS = ESS + RSS。其中：

  • 总平方和 (TSS)：TSS=∑(yi−yˉ)2 \text{TSS} = \sum (y_i - \bar{y})^2 ，衡量因变量的总变异。如果没有模型，预测 Y Y 的最佳方式就是使用其均值 yˉ \bar{y} ，TSS 即直接使用均值预测所产生的总误差。
  • 回归平方和 (ESS)：ESS=∑(y^i−yˉ)2 \text{ESS} = \sum (\hat{y}_i - \bar{y})^2 ，衡量能够被回归模型所解释的变异部分，即模型预测值相对于均值的波动程度。
  • 残差平方和 (RSS)：RSS=∑(yi−y^i)2 \text{RSS} = \sum (y_i - \hat{y}_i)^2 ，衡量模型无法解释的随机变异，即实际值与预测值之间的差异平方和。

R2 R^2 的计算与含义

基于上述分解，决定系数被定义为被解释变异占总变异的比例：

R2=ESSTSS=1−RSSTSSR^2 = \frac{\text{ESS}}{\text{TSS}} = 1 - \frac{\text{RSS}}{\text{TSS}}

当模型完美拟合所有数据点时，RSS=0 \text{RSS} = 0 ，故 R2=1 R^2 = 1 ；当模型完全没有解释力（表现不比直接使用均值更好），ESS=0 \text{ESS} = 0 ，故 R2=0 R^2 = 0 。此外，在\%简单线性回归\%（仅一个自变量）中，R2 R^2 等于因变量 Y Y 与自变量 X X 之间\%皮尔逊相关系数\% r r 的平方：R2=r2 R^2 = r^2 。

局限性：过拟合与调整 R2 R^2

R2 R^2 有一个关键缺陷：向模型中添加任何新自变量，即使该变量与因变量毫无关系，R2 R^2 也几乎总会上升（至少不降）。这是因为 OLS 总会给新增变量分配一个微小系数，利用样本中的随机波动来略微减小 RSS，从而虚增表面拟合度。这种现象容易导致\%过拟合\% (Overfitting)。

为解决这一问题，统计学家提出了调整决定系数 (Adjusted R2 R^2 )，引入对自变量数量的惩罚：

Radj2=1−(1−R2)(n−1)n−k−1R^2_{\text{adj}} = 1 - \frac{(1 - R^2)(n - 1)}{n - k - 1}

其中 n n 为\%样本量\%，k k 为自变量个数。与 R2 R^2 不同，调整 R2 R^2 仅在新增变量带来的拟合改善足以补偿自由度损失时才上升；若变量毫无解释力，调整 R2 R^2 可能下降甚至为负。在\%模型选择\%中，调整 R2 R^2 可与\%赤池信息准则\% (AIC) 和\%贝叶斯信息准则\% (BIC) 配合使用。

使用注意事项

在实证研究中，对 R2 R^2 的解读需保持审慎：

  1. 高 R2 R^2 不等于好模型：高 R2 R^2 仅表示样本拟合度高，不意味着模型系数无偏、显著或存在因果关系。模型可能仍存在\%异方差性\%、\%自相关\%或\%多重共线性\%等问题。
  1. 低 R2 R^2 不等于坏模型：在社会科学或金融学中，个体行为的随机性导致变量间关系本身较弱，R2 R^2 在 0.1 至 0.3 之间是常见且可接受的水平，模型仍可能具有重要的统计显著性。
  1. R2 R^2 不可跨模型比较：R2 R^2 仅适用于因变量相同的模型。比较不同函数形式（如线性 vs 对数线性）或因变量变换后的模型时，R2 R^2 不具有可比性。此外，R2 R^2 对\%异常值\%极为敏感，少数极端观测即可显著改变其数值。
  1. R2 R^2 与 F 检验的关系：R2 R^2 与 F 统计量之间存在直接数学关系 F=R2/k(1−R2)/(n−k−1) \displaystyle F = \frac{R^2 / k}{(1 - R^2)/(n - k - 1)} 。即使 R2 R^2 看似可观，若样本量很小或自变量过多，F 检验仍可能不显著。因此，实证报告中应同时汇报 R2 R^2 、调整 R2 R^2 和 F 检验的 p 值。

拓展：伪 R2 R^2 与非线性模型

R2 R^2 的方差分解恒等式在\%逻辑回归\%、\%泊松回归\%等非线性模型中不再成立。为此，统计学家发展出多种伪 R2 R^2 (Pseudo R2 R^2 ) 指标，如 McFadden R2 R^2 、Cox-Snell R2 R^2 和 Nagelkerke R2 R^2 。但这些指标不具备方差分解的直观解释，各指标之间不可直接比较，更不能将其等同于 OLS 框架下的 R2 R^2 来解读"解释百分比"。