KNOWECON WIKI

ARTICLE

R平方 ($R^2$)

R平方（ R^2 ，又称决定系数）是统计学和回归分析中衡量模型拟合优度的核心指标，表示自变量对因变量变异的解释比例。其取值范围为 [0,1] ，值越接近1，说明模型对数据的拟合程度越高。作为回归分析中最为广泛使用的诊断统计量之一， R^2 不仅用于评价模型的预测能力，也在经济学、金融学、生物统计学、社会科学等众多实证研究领域中发挥着不可或缺的作用。 1. 定

浏览 0 更新 2025-11-10

R平方（R2 R^2 ，又称决定系数）是统计学和回归分析中衡量模型拟合优度的核心指标，表示自变量对因变量变异的解释比例。其取值范围为 [0,1] [0,1] ，值越接近1，说明模型对数据的拟合程度越高。作为回归分析中最为广泛使用的诊断统计量之一，R2 R^2 不仅用于评价模型的预测能力，也在经济学、金融学、生物统计学、社会科学等众多实证研究领域中发挥着不可或缺的作用。

1. 定义与数学表达

1.1 基本定义

在线性回归模型中，R2 R^2 定义为回归平方和（SSR，即模型解释的变异）与总平方和（SST，即因变量的总变异）之比：

R2=SSRSST=1−SSESSTR^2 = \frac{SSR}{SST} = 1 - \frac{SSE}{SST}

其中，SSE为残差平方和（模型未能解释的变异）。具体而言：

  • 总平方和（SST）：∑i=1n(yi−yˉ)2 \sum_{i=1}^{n}(y_i - \bar{y})^2 ，衡量因变量的总变异程度；
  • 回归平方和（SSR）：∑i=1n(y^i−yˉ)2 \sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2 ，衡量模型预测值相对于均值的偏离；
  • 残差平方和（SSE）：∑i=1n(yi−y^i)2 \sum_{i=1}^{n}(y_i - \hat{y}_i)^2 ，衡量实际值与预测值之间的偏差。

三者满足关系：SST=SSR+SSE SST = SSR + SSE 。因此 R2 R^2 的本质是模型所"捕捉"到的变异占总变异的比例。

1.2 与相关系数的关系

在简单线性回归（仅包含一个自变量）的情况下，R2 R^2 恰好等于自变量 x x 与因变量 y y 之间皮尔逊相关系数 r r 的平方：

R2=r2R^2 = r^2

这意味着 R2 R^2 不仅衡量了模型的拟合优度，也间接反映了两个变量之间线性关系的强度。然而，这一等价关系在多元回归中不再成立——多元回归中的 R2 R^2 是多个自变量与因变量之间复合相关性的平方。

2. 调整R平方与模型的局限性

2.1 调整R平方

普通 R2 R^2 存在一个内在缺陷：当在模型中增加额外的自变量时，即使该变量与因变量毫无关系，R2 R^2 也绝不会下降——至少会保持不变，通常还会略微上升。这一特性源于最小二乘法的数学性质，它鼓励研究者不加甄别地加入更多变量，从而产生过度拟合（overfitting）的风险。

为解决这一问题，统计学家提出了调整R平方（Adjusted R2 R^2 ）的概念：

Rˉ2=1−SSE/(n−k−1)SST/(n−1)=1−(1−R2)n−1n−k−1\bar{R}^2 = 1 - \frac{SSE/(n-k-1)}{SST/(n-1)} = 1 - (1-R^2)\frac{n-1}{n-k-1}

其中 n n 为样本量，k k 为自变量个数。调整 R2 R^2 通过引入惩罚项来纠正自变量数量对 R2 R^2 的虚高影响。其数值通常小于普通 R2 R^2 ，且有可能为负值。在模型选择中，研究者常使用调整 R2 R^2 来比较包含不同自变量个数的模型。

2.2 R2 R^2 的局限性

R2 R^2 虽被广泛使用，但存在若干重要的局限性。第一，R2 R^2 不能衡量模型的因果解释力。即使 R2 R^2 接近0.9，也不意味着自变量对因变量有因果关系，可能仅仅反映了遗漏变量、反向因果或虚假相关。第二，高 R2 R^2 不能保证预测准确性。在包含趋势或季节性的时间序列数据中，即使模型的 R2 R^2 极高，样本外的预测能力也可能非常糟糕。第三，R2 R^2 对异常值高度敏感。一个极端观测点即可大幅改变 R2 R^2 的数值。第四，R2 R^2 不能用于比较不同因变量或不同变换形式下的模型，因为在因变量经过对数变换或其他非线性变换后，SST 的尺度发生了改变，R2 R^2 不具有直接可比性。

3. R2 R^2 在各类模型中的适用性

3.1 非线性模型中的伪R平方

对于广义线性模型（如Logistic回归、泊松回归等），由于不再有 SST=SSR+SSE SST = SSR + SSE 的恒等关系，传统的 R2 R^2 定义无法直接使用。因此，统计学家发展了一系列伪R平方（Pseudo-R2 R^2 ）指标，包括McFadden's R2 R^2 、Cox \& Snell R2 R^2 和 Nagelkerke R2 R^2 等。这些指标试图在非线性框架下近似地衡量模型的解释能力，但不同伪 R2 R^2 的数值含义差异较大，且其解释通常不如线性回归中的 R2 R^2 直观。

3.2 样本外R平方

在金融经济学和机器学习中，研究者越来越关注模型的样本外预测能力，因而引入了样本外 R2 R^2 （Out-of-sample R2 R^2 ）的概念。其计算方式为比较预测模型的均方预测误差（MSPE）与简单历史均值的均方预测误差，反映模型相对于朴素基准的预测增益。著名的Campbell-Thompson样本外 R2 R^2 统计量即为这一思想的具体体现，常用于检验股票收益率的可预测性。

3.3 时间序列中的R平方

在时间序列回归中，R2 R^2 需要谨慎解读。如果因变量和自变量都包含较强的趋势成分，则回归得出的 R2 R^2 可能被人为抬高。这便是所谓的虚假回归（Spurious Regression）问题——两个独立随机游走序列之间也可能产生很高的 R2 R^2 。因此，在使用时间序列数据时，研究者通常先对变量进行差分或去趋势处理，再评估 R2 R^2 的实际意义。

4. 实践中的解读指南

4.1 何为"高"R平方？

R2 R^2 多高才算"好"取决于学科背景和研究目的。在纯自然科学（如物理实验）中，R2 R^2 达到0.99以上并不罕见；在社会科学中，由于人类行为的复杂性，R2 R^2 在0.2到0.4之间即被视为具有相当的解释力；在金融学中，日度股票收益率的 R2 R^2 往往低于0.05。因此，脱离具体领域判断 R2 R^2 的高低是没有意义的。

4.2 R2 R^2 与模型选择策略

在实证研究中，研究者应当注意以下原则：切勿仅凭 R2 R^2 选择模型——高 R2 R^2 可能来自过度拟合而非真正的解释力；优先使用调整 R2 R^2 或信息准则（AIC、BIC）进行模型比较；结合残差诊断（如正态性、异方差性、自相关性）综合评估模型质量；在预测任务中，应使用交叉验证或样本外测试来评估模型的实际泛化能力。R2 R^2 作为回归分析最直观的拟合指标，只有在其适用条件和局限性被充分理解的前提下，才能成为有效的数据分析工具。