R平方

R平方（R-squared，决定系数）

R平方（R-squared），也称为决定系数（Coefficient of Determination），是统计学和计量经济学中用于衡量回归分析模型对观测数据拟合优度的重要指标。它表示在被解释变量（因变量）的总变异中，能够被解释变量（自变量）所解释的比例，取值范围通常介于0和1之间。R平方值越接近1，表明模型对数据的解释能力越强；越接近0，则表明模型的解释能力越弱。

数学定义

在回归模型中，R平方通过比较模型的拟合值与观测值的差异程度来量化模型的解释力。其通用定义为：

其中，$SS_{tot} = \sum_{i=1}^{n}(y_i - \bar{y})^2$ 表示总平方和（Total Sum of Squares），衡量因变量$y$的总变异程度，$\bar{y}$是样本均值；$SS_{res} = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2$ 表示残差平方和（Residual Sum of Squares），其中$\hat{y}_i$是模型的预测值；$n$为样本容量。

对于线性回归模型，当模型包含截距项时，总平方和可分解为：

其中$SS_{reg} = \sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2$为回归平方和（Regression Sum of Squares）。此时R平方也可表示为：

核心性质与解释

R平方作为模型评估指标具有以下重要性质：

一、比例解释：R平方值本质上是被解释变量方差中由模型解释部分所占的比例。例如，$R^2 = 0.85$表示模型能够解释85\%的因变量变异，剩余15\%的变异由随机扰动项或其他未纳入模型的因素解释。

二、单调递增性：在普通最小二乘法（OLS）框架下，向模型中增加新的解释变量（无论该变量是否真正相关）永远不会降低R平方值。这一性质源于最小二乘估计的数学特性——更多变量只会使残差平方和减小或保持不变。

三、与相关系数的关系：在简单线性回归（仅含一个自变量）情形下，R平方等于因变量与自变量之间皮尔逊相关系数的平方，即$R^2 = r^2$。这一关系不适用于多元回归情形。

四、取值范围限制：对于有截距项的OLS回归，$0 \leq R^2 \leq 1$恒成立。但在某些特殊情况下（如过拟合严重或模型无截距项），R平方可能为负值，此时表明模型对数据的拟合效果甚至不如直接使用样本均值作为预测值。

R平方的局限性

尽管R平方被广泛使用，但研究者必须充分认识其内在局限：

一、无法判断因果关系：高R平方值仅说明统计上的相关性，不能证明解释变量与被解释变量之间存在因果关系。内生性问题、遗漏变量偏误等因素可能导致R平方被人为夸大。

二、对模型设定敏感：R平方大小受模型函数形式影响。例如，在对数线性模型中，R平方衡量的是对数变换后变量的解释比例，而非原始变量的解释比例，跨模型比较时需谨慎。

三、不考虑自由度：由于单调递增性，过度复杂的模型（包含过多变量）会产生虚高的R平方，导致对模型真实预测能力的错误判断。

四、缺乏统计显著性信息：R平方本身不提供关于系数显著性的任何信息。一个R平方很高的模型可能包含大量统计上不显著的变量。

五、对异常值敏感：少数离群点可能显著影响R平方值，使其不能准确反映模型对主要数据模式的拟合效果。

调整R平方

为克服R平方不考虑自由度的缺陷，调整R平方（Adjusted R-squared）通过引入惩罚项对模型复杂度进行调整：

其中$k$为模型中解释变量的个数（不包括截距项）。调整R平方具有以下特点：当新增变量对模型解释力的提升超过自由度损失的成本时，调整R平方会增加；可能为负值，尤其在模型解释力极差时；在多元回归模型比较中，调整R平方是比R平方更可靠的指标。

应用领域与注意事项

R平方广泛应用于实证研究、金融建模、预测分析等领域：

经济学研究：在增长回归、消费函数估计等研究中，R平方用于评估理论模型对现实数据的拟合程度。但经济学家更关注系数的经济显著性而非单纯的统计显著性或拟合优度。

金融领域：在资本资产定价模型（CAPM）中，R平方衡量个别股票收益变动能被市场收益解释的比例，反映系统性风险占比。对冲基金常用R平方评估其收益与市场指数的相关程度。

政策评估：在双重差分法或断点回归等因果推断方法中，R平方的重要性次于识别策略的有效性。研究者不应为提高R平方而牺牲因果识别的可靠性。

预测建模：虽然R平方反映样本内拟合效果，但交叉验证和样本外预测误差才是评估模型预测能力的金标准。过度追求高R平方可能导致过拟合，损害模型的泛化能力。

计算示例

考虑以下简单数据集：设有5个观测点，真实值$y$与预测值$\hat{y}$分别为观测点1到5对应$(2, 1.8)$、$(4, 4.2)$、$(5, 4.9)$、$(7, 7.1)$、$(8, 8.0)$。样本均值$\bar{y} = 5.2$。总平方和$SS_{tot} = (2-5.2)^2 + (4-5.2)^2 + (5-5.2)^2 + (7-5.2)^2 + (8-5.2)^2 = 26.8$。残差平方和$SS_{res} = (2-1.8)^2 + (4-4.2)^2 + (5-4.9)^2 + (7-7.1)^2 + (8-8.0)^2 = 0.1$。因此$R^2 = 1 - \frac{0.1}{26.8} \approx 0.996$，表明模型解释了约99.6\%的变异，拟合效果极佳。

R平方与其他拟合优度指标的关系

与信息准则的比较：赤池信息准则（AIC）和贝叶斯信息准则（BIC）在模型选择中往往优于R平方，因为它们明确惩罚了模型复杂度，且可用于比较非嵌套模型。

伪R平方：在逻辑回归、泊松回归等广义线性模型中，传统R平方概念不适用，需使用麦克法登伪R平方、考克斯-斯奈尔伪R平方等替代指标，这些指标的解释需谨慎。

R平方与预测精度：均方误差（MSE）和平均绝对误差（MAE）直接衡量预测误差，在预测任务中通常比R平方更具实际意义。

综上所述，R平方是评估回归模型解释能力的基础工具，但必须结合研究目的、模型设定、样本特征以及其他诊断指标综合使用，才能做出合理的统计推断和经济解释。