KNOWECON WIKI

ARTICLE

可决系数

可决系数 (Coefficient of Determination) 可决系数 (Coefficient of Determination)，在统计学中通常用 R^2 (R-squared) 表示，是回归分析中用于衡量模型"拟合优度" (Goodness of Fit) 的一个关键指标。它量化了因变量 (Dependent Variable) 的总变异中，

浏览 47 更新 2025-10-26

可决系数 (Coefficient of Determination)

可决系数 (Coefficient of Determination)，在统计学中通常用 R2 R^2 (R-squared) 表示，是回归分析中用于衡量模型"拟合优度" (Goodness of Fit) 的一个关键指标。它量化了因变量 (Dependent Variable) 的总变异中，能够被模型中的自变量 (Independent Variable(s)) 所解释的部分所占的百分比。简而言之，R2 R^2 回答了这样一个问题："你的模型在多大程度上解释了数据的变异性？"

可决系数的值域通常在 0 到 1 之间。一个接近 1 的 R2 R^2 值表明模型能够解释大部分因变量的变异，拟合效果较好。相反，一个接近 0 的 R2 R^2 值则表明模型对因变量的变异几乎没有解释力。

核心概念与计算

要深刻理解可决系数，必须首先掌握构成其计算基础的三个核心"平方和"概念。这些概念分解了因变量 y y 的总变异。

假设我们有一个数据集，包含 n n 个观测值 (xi,yi) (x_i, y_i) ，其中 yi y_i 是观测值，yˉ \bar{y} 是所有 yi y_i 的样本均值，而 y^i \hat{y}_i 是由回归模型对 yi y_i 的预测值。

  1. 总平方和 (Total Sum of Squares, SST)
SST=∑i=1n(yi−yˉ)2SST = \sum_{i=1}^{n} (y_i - \bar{y})^2

SST 代表了因变量 y y 的总变异量。它衡量的是各个观测值 yi y_i 与其均值 yˉ \bar{y} 之间的离散程度。在没有回归模型的情况下，对任何 yi y_i 最朴素的预测就是其均值 yˉ \bar{y} ，那么 SST 就代表了使用这种朴素预测方式所产生的总误差的平方和。

  1. 回归平方和 (Regression Sum of Squares, SSR)
SSR=∑i=1n(y^i−yˉ)2SSR = \sum_{i=1}^{n} (\hat{y}_i - \bar{y})^2

SSR，有时也称为已解释平方和 (Explained Sum of Squares, ESS)，代表了能够被回归模型解释的那部分变异。它衡量的是模型的预测值 y^i \hat{y}_i 与因变量均值 yˉ \bar{y} 之间的差异。如果模型的预测值普遍远离均值（并趋近于真实观测值），说明模型捕捉到了数据中的显著结构，因此其解释能力强。

  1. 残差平方和 (Residual Sum of Squares, RSS)
RSS=∑i=1n(yi−y^i)2RSS = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

RSS，也常被称为误差平方和 (Sum of Squared Errors, SSE)，代表了模型无法解释的那部分变异。它是个体观测值 yi y_i 与模型预测值 y^i \hat{y}_i 之间差（即残差）的平方和。RSS 越小，说明模型的预测越接近真实值，拟合得越好。

这三个平方和之间存在一个至关重要的恒等关系：

SST=SSR+RSSSST = SSR + RSS

总变异 = 已解释变异 + 未解释变异

基于此关系，可决系数 R2 R^2 的定义就非常直观了。它是已解释变异占总变异的比例：

R2=SSRSST=∑i=1n(y^i−yˉ)2∑i=1n(yi−yˉ)2R^2 = \frac{SSR}{SST} = \frac{\sum_{i=1}^{n} (\hat{y}_i - \bar{y})^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2}

或者，我们也可以通过未解释变异的比例来定义它，这种形式在计算上更常见：

R2=1−RSSSST=1−∑i=1n(yi−y^i)2∑i=1n(yi−yˉ)2R^2 = 1 - \frac{RSS}{SST} = 1 - \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i)^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2}

如何解读 R2 R^2

R2 R^2 的值总是在 0 和 1 之间（在某些特殊情况下可能为负，但这通常表示模型选择错误），并且通常被解读为一个百分比。

  • R2=0 R^2 = 0 : 表明模型完全没有解释力。自变量无法解释因变量的任何变异。在这种情况下，模型的预测（y^i \hat{y}_i ）并不比直接使用因变量的均值（yˉ \bar{y} ）进行预测更好。
  • R2=1 R^2 = 1 : 表明模型完美地解释了因变量的变异。所有的数据点都精确地落在回归线上，残差平方和为零。这在处理现实世界的社会或经济数据时几乎不可能发生。
  • R2=0.65 R^2 = 0.65 : 表明因变量总变异的 65\% 可以由模型中的自变量来解释。剩下的 35\% 则是由模型未包含的其他因素（随机性或未观测的变量）所引起的。

示例：假设一个分析师构建了一个模型，用公司的广告支出（自变量）来预测其销售额（因变量）。如果模型的 R2 R^2 为 0.72，这意味着销售额变动的 72\% 可以归因于广告支出的变动。其余 28\% 的销售额变动则可能受到市场竞争、消费者偏好、宏观经济状况等其他因素的影响。

重要限制与调整后可决系数

尽管 R2 R^2 是一个非常有用的指标，但它存在一个显著的缺陷：在模型中增加任何新的自变量，即使该变量与因变量毫无关系，R2 R^2 的值也几乎总会上升（或至少保持不变），绝不会下降。这可能导致研究者为了追求更高的 R2 R^2 而向模型中添加不相关的变量，造成过度拟合 (Overfitting)。此外，R2 R^2 的大小还受到数据本身的变异性、测量误差以及样本量的影响。在时间序列数据中，由于存在趋势和自相关，R2 R^2 往往容易偏高，因此解读时需要格外谨慎，不宜简单地将高 R2 R^2 等同于模型质量优秀。

为了解决上述问题，统计学家提出了调整后可决系数 (Adjusted R-squared)，记为 Radj2 R_{adj}^2 或 Rˉ2 \bar{R}^2 。

调整后可决系数 (Adjusted R-squared)

调整后可决系数在 R2 R^2 的基础上，考虑了模型中自变量的数量和样本量的大小，对加入无关变量的模型施加了"惩罚"。

其计算公式为：

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

其中：

  • n n 是样本量 (Sample Size)。
  • k k 是模型中自变量的个数。

与 R2 R^2 不同，当向模型中添加一个对因变量解释力很小的新变量时，Radj2 R_{adj}^2 的值可能会下降。因此，在比较包含不同数量自变量的多个模型时，调整后可决系数是一个更公平、更可靠的评价指标。如果一个新加入的变量使得 Radj2 R_{adj}^2 提高，这说明该变量对模型的贡献超过了其增加模型复杂性所带来的"惩罚"。

与相关系数及 F 检验的关系

在简单线性回归 (Simple Linear Regression)（即只有一个自变量）的特殊情况下，可决系数 R2 R^2 等于皮尔逊相关系数 (Pearson Correlation Coefficient) r r 的平方。

R2=r2R^2 = r^2

例如，如果变量 X X 和 Y Y 之间的相关系数 r=0.8 r = 0.8 或 r=−0.8 r = -0.8 ，那么使用 X X 预测 Y Y 的简单线性回归模型的 R2 R^2 将是 0.82=0.64 0.8^2 = 0.64 。这清楚地表明，R2 R^2 只衡量解释力的强度，而不反映关系的方向（正相关或负相关），因为它是相关系数的平方，总是非负的。对于多元回归分析 (Multiple Regression Analysis)，这种直接的平方关系不再成立，但 R2 R^2 仍然可以被看作是因变量观测值 yi y_i 与模型预测值 y^i \hat{y}_i 之间相关系数的平方。

此外，R2 R^2 与回归模型的F 检验有着紧密的联系。在多元线性回归中，用于检验模型整体显著性的 F 统计量可以表示为：

F=R2/k(1−R2)/(n−k−1)F = \frac{R^2 / k}{(1 - R^2) / (n - k - 1)}

其中 k k 为自变量个数。该公式揭示了 R2 R^2 越大，F 统计量也越大，模型整体的统计显著性就越强。因此，R2 R^2 不仅是描述拟合优度的指标，也与模型的统计推断直接挂钩。在实际应用中，研究者通常会同时报告 R2 R^2 和 F 检验结果，以全面评估模型的解释力和统计可靠性。