KNOWECON WIKI

ARTICLE

R方

%--- %%id: 2542 %%word: "R方" %%created_model: "google/gemini-2.5-pro" %%verified: true %%verified_at: 2025-10-26T00:04:30 %%created_by_id: 589 %%view_counts: 4 %%inserted_at: "2025

浏览 0

%--- %%id: 2542 %%word: "R方" %%created_model: "google/gemini-2.5-pro" %%verified: true %%verified_at: 2025-10-26T00:04:30 %%created_by_id: 589 %%view_counts: 4 %%inserted_at: "2025-10-26T00:04:30" %%updated_at: "2025-10-26T00:04:30" %---

R方

概念定义

R方（R-squared），又称决定系数（coefficient of determination），是回归分析中衡量模型拟合优度的核心统计量。它表示因变量的总变异中能够被回归模型所解释的比例，取值范围通常在0到1之间。R方的数学定义为：

R2=1−SSresSStot=1−∑i(yi−y^i)2∑i(yi−yˉ)2R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}} = 1 - \frac{\sum_i (y_i - \hat{y}_i)^2}{\sum_i (y_i - \bar{y})^2}

其中，SSres SS_{\text{res}} 是残差平方和（residual sum of squares），衡量模型预测值与实际观测值之间的偏差；SStot SS_{\text{tot}} 是总平方和（total sum of squares），衡量因变量围绕其均值的总变异。当模型完美拟合数据时，SSres=0 SS_{\text{res}} = 0 ，R2=1 R^2 = 1 ；当模型仅相当于一个常数均值预测时，SSres=SStot SS_{\text{res}} = SS_{\text{tot}} ，R2=0 R^2 = 0 。

在简单线性回归中，R方恰好等于自变量与因变量之间Pearson相关系数r r 的平方，这也是"R方"这一名称的直接来源。这一关系揭示了R方的核心直觉：它量化了两个变量之间线性关联的强度有多"大"。值得注意的是，R方本身是一个无量纲的标准化指标，这使得它可以在不同量纲的模型之间进行比较。

理论背景

R方的概念最早由英国统计学家、遗传学家罗纳德·费希尔（Ronald Fisher）在20世纪初提出，作为方差分析（ANOVA）框架中"解释变异占比"概念的自然延伸。费希尔将总变异分解为"可解释变异"与"不可解释变异"两个部分，这一分解构成了现代回归诊断的基石。在ANOVA的语境下，R方与F统计量之间存在紧密联系：F=R2/k(1−R2)/(n−k−1) F = \frac{R^2/k}{(1-R^2)/(n-k-1)} ，因此R方除了直观解释外，还可以直接用于构造模型整体显著性的假设检验。

从几何视角看，OLS回归可以视为将因变量向量y y 投影到由自变量张成的子空间上，y^ \hat{y} 即为该投影。R方衡量的是投影向量y^ \hat{y} 的长度平方与原始向量y y 的长度平方之比，反映的是投影"捕捉"了原向量多大比例的"能量"。这一视角将R方从单纯的数值指标提升为线性代数中投影算子的效率度量。假如自变量空间与因变量向量正交，则R方为零；假如因变量完全落在自变量空间内，则R方为一。

核心性质

R方具有若干重要性质。首先，在OLS回归中，当模型中包含截距项时，R方是非负的且介于0与1之间。其次，向模型中添加新的自变量（无论其是否真正相关）总会使SSres SS_{\text{res}} 下降或保持不变，从而使得R方单调不减。这一特性导致R方不能直接用于比较包含不同数量自变量的模型——它天然地偏好更复杂的模型。极端情况下，当自变量个数等于样本量减一时，R方可以人为地达到1，即使所有变量都与因变量毫无关系。

为纠正这一偏误，统计学家引入了调整R方（adjusted R-squared）：

Rˉ2=1−SSres/(n−k−1)SStot/(n−1)=1−(1−R2)n−1n−k−1\bar{R}^2 = 1 - \frac{SS_{\text{res}}/(n-k-1)}{SS_{\text{tot}}/(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R方对新增变量的"惩罚"体现在自由度调整上，因此可以在不同复杂度的模型之间进行更有意义的比较。调整R方有可能为负值，这通常意味着模型比简单的均值预测还要差。

特殊情形

当回归模型不包含截距项（即强制通过原点）时，R方的计算公式需要特别处理。此时总平方和SStot SS_{\text{tot}} 不再以yˉ \bar{y} 为基准，而是以零为基准，导致R方可能为负值，从而失去其常规解释意义。因此，大部分统计软件在无截距回归中会报告另一种形式的R方，称为"非中心R方"（uncentered R-squared）。

在多元回归中，偏R方（partial R-squared）衡量的是在控制其他自变量后，某个特定自变量所解释的因变量变异比例，是评估单个变量重要性的有效工具。它与偏F检验直接对应，在逐步回归和变量选择中具有重要应用。

应用与解读

在实证研究中，R方的解读需要结合具体学科背景。在自然科学和工程领域——如物理学实验中，线性关系的R方经常高达0.99以上——高R方是模型精确性的必要条件。在社会科学领域——如经济学、心理学中——由于人类行为的固有随机性和测量误差，R方在0.1到0.4之间即被认为具有较好的解释力。在金融资产定价研究中，CAPM模型对个股收益率的R方通常在0.05到0.40之间，而多元因子模型可能达到0.5以上。在计量经济学中，面板数据回归的R方通常低于截面数据回归，因为个体固定效应吸收了大量的变异。

R方的绝对值大小并不直接等同于模型的实际价值。一个低R方的模型在检测微弱但重要的因果效应时仍然可能具有重要的政策含义；反之，一个高R方的模型可能存在严重的过拟合问题，在新数据上的预测表现可能远低于样本内表现。此外，在工具变量回归中，第一阶段的R方可以用来检验弱工具变量问题——如果R方过低，说明工具变量与内生变量的相关性不足。

局限性

R方作为模型评估指标存在若干重要局限。第一，R方对异常值极为敏感——单个极端数据点可以大幅抬高或压低R方值，从而产生误导性结论。第二，R方衡量的是线性拟合优度，对于非线性关系可能给出错误的低值——即使模型在非线性意义下拟合得很好。第三，在时间序列回归中，使用趋势变量可能导致虚假的高R方，即所谓的"伪回归"问题。第四，R方无法区分模型的预测能力与解释能力——一个拟合良好的模型可能在样本外预测中表现糟糕。第五，R方容易受到异方差性的影响，此时加权最小二乘法配合的R方可能更有意义。

替代与扩展

针对R方的局限性，研究者提出了多种替代指标。信息准则类指标如AIC（赤池信息准则）和BIC（贝叶斯信息准则）在拟合优度和模型简洁性之间寻求平衡。预测导向的指标如调整R方和预测R方（predicted R-squared）通过交叉验证或PRESS统计量来评估模型在新数据上的表现。在广义线性模型（如Logistic回归）中，McFadden伪R方、Cox-Snell伪R方和Nagelkerke伪R方等被广泛使用，但这些伪R方的值通常远低于线性回归中的R方，且解读方式也有所不同。

在机器学习领域，R方仍然作为回归任务的基本评价指标之一被广泛使用，但通常与其他指标如均方根误差（RMSE）和平均绝对误差（MAE）配合使用，以提供更全面的模型性能画像。在深度学习中，样本外R方（out-of-sample R-squared）比传统R方更能反映模型的泛化能力，是评估预测模型实用性的关键指标。