Statistieken Definities > Aangepaste r2
Bekijk de video of lees het artikel hieronder:
hulp nodig met een huiswerkvraag? Bekijk onze bijles pagina!,
aangepast R2: overzicht
aangepast R2 is een speciale vorm van R2, de determinatiecoëfficiënt.
De aangepaste R2 heeft vele toepassingen in het echte leven. Afbeelding: USCG
R2 toont hoe goed termen (gegevenspunten) passen bij een curve of lijn. Aangepaste R2 geeft ook aan hoe goed termen passen bij een curve of lijn, maar past zich aan voor het aantal termen in een model. Als je meer en meer nutteloze variabelen toevoegt aan een model, zal het aangepaste R-kwadraat afnemen. Als je meer bruikbare variabelen toevoegt, zal het aangepaste R-kwadraat toenemen.,
aangepaste R2 zal altijd kleiner zijn dan of gelijk aan R2.
U hebt alleen R2 nodig als u met samples werkt. Met andere woorden, R2 is niet nodig als je gegevens hebt van een hele populatie.
De formule is:
waarbij:
- N het aantal punten in uw gegevensmonster is.
- K is het aantal onafhankelijke regressoren, d.w.z. het aantal variabelen in uw model, exclusief de constante.
Als u R2 al kent, is het een vrij eenvoudige formule om te werken., Echter, als je nog geen R2 hebt dan zul je dit waarschijnlijk niet met de hand willen berekenen! (Als je moet, zie hoe de determinatiecoëfficiënt te berekenen). Er zijn veel statistische pakketten die aangepaste R kwadraat voor u kunnen berekenen. Aangepast R kwadraat wordt gegeven als onderdeel van Excel regressie-uitvoer. Zie: Excel regressie analyse output uitgelegd.
Betekenis van aangepaste R2
zowel R2 als de aangepaste R2 geven u een idee van hoeveel datapunten binnen de regel van de regressievergelijking vallen., Er is echter één belangrijk verschil tussen R2 en de aangepaste R2: R2 gaat ervan uit dat elke variabele de variatie in de afhankelijke variabele verklaart. De aangepaste R2 vertelt u het percentage van de variatie verklaard door alleen de onafhankelijke variabelen die daadwerkelijk invloed hebben op de afhankelijke variabele.
hoe aangepast R2 u straft
De aangepaste R2 zal u straffen voor het toevoegen van onafhankelijke variabelen (K in de vergelijking) die niet in het model passen. Waarom? In regressie-analyse, kan het verleidelijk zijn om meer variabelen toe te voegen aan de gegevens als je denkt van hen., Sommige van die variabelen zullen significant zijn, maar je kunt er niet zeker van zijn dat de Betekenis gewoon bij toeval is. De aangepaste R2 zal dit compenseren door je te straffen voor die extra variabelen.
hoewel waarden meestal positief zijn, kunnen ze ook negatief zijn. Dit kan gebeuren als uw R2 nul is; na de aanpassing kan de waarde onder nul dalen. Dit geeft meestal aan dat uw model is een slechte pasvorm voor uw gegevens. Andere problemen met uw model kunnen ook leiden tot waarden onder nul, zoals het niet plaatsen van een constante term in uw model.,
problemen met R2 die worden gecorrigeerd met een aangepaste R2
- R2 neemt toe met elke voorspeller die aan een model wordt toegevoegd. Als R2 altijd toeneemt en nooit afneemt, kan het lijken een betere pasvorm met de meer termen die u toevoegt aan het model. Dit kan volkomen misleidend zijn.
- op dezelfde manier, als uw model te veel termen en te veel Hoge-Orde veeltermen heeft, kunt u het probleem van het over-passen van de gegevens tegenkomen. Wanneer u gegevens over-fit, een misleidend hoge R2 waarde kan leiden tot misleidende projecties.,
——————————————————————————eeft u hulp nodig met een huiswerk-of testvraag? Met Chegg Study krijgt u stap-voor-stap oplossingen voor uw vragen van een expert in het veld. Je eerste 30 minuten met een Chegg tutor is gratis!