definicje statystyk > skorygowany r2
obejrzyj film lub przeczytaj artykuł poniżej:
potrzebujesz pomocy w zadaniu domowym? Sprawdź naszą stronę korepetycji!,
skorygowany R2: przegląd
skorygowany R2 jest specjalną formą R2, współczynnik determinacji.
skorygowany R2 ma wiele zastosowań w prawdziwym życiu. Image: USCG
R2 pokazuje, jak dobrze terminy (punkty danych) pasują do krzywej lub linii. Skorygowane R2 wskazuje również, jak dobrze terminy pasują do krzywej lub linii, ale dostosowuje się do liczby terminów w modelu. Jeśli dodasz do modelu coraz więcej bezużytecznych zmiennych, skorygowany r-kwadrat zmniejszy się. Jeśli dodasz więcej użytecznych zmiennych, skorygowany R-kwadrat zwiększy się.,
skorygowany R2 zawsze będzie mniejszy lub równy R2.
potrzebujesz tylko R2 podczas pracy z próbkami. Innymi słowy, R2 nie jest konieczne, gdy masz dane z całej populacji.
wzór jest następujący:
gdzie:
- N to liczba punktów w próbce danych.
- K jest liczbą niezależnych regresorów, tzn. liczbą zmiennych w modelu, z wyłączeniem stałej.
Jeśli znasz już R2 to jest to dość prosta formuła do działania., Jeśli jednak nie masz jeszcze R2, prawdopodobnie nie będziesz chciał obliczyć tego ręcznie! (Jeśli musisz, zobacz Jak obliczyć współczynnik determinacji). Istnieje wiele pakietów statystycznych, które mogą obliczać dostosowane r do kwadratu Dla ciebie. Skorygowany R do kwadratu jest podawany jako część wyjścia regresji Excel. Zobacz: Wyjaśnienie wyników analizy regresji Excel.
Znaczenie skorygowanego R2
zarówno R2, jak i skorygowany R2 dają wyobrażenie, ile punktów danych mieści się w linii równania regresji., Istnieje jednak jedna główna różnica między R2 a skorygowanym R2: R2 zakłada, że każda pojedyncza zmienna wyjaśnia zmienność zmiennej zależnej. Skorygowany R2 mówi procent zmienności wyjaśnionej tylko przez zmienne niezależne, które faktycznie wpływają na zmienną zależną.
jak skorygowany R2 Ukara Cię
skorygowany R2 ukara cię za dodanie zmiennych niezależnych (K w równaniu), które nie pasują do modelu. Dlaczego? W analizie regresji, może być kuszące, aby dodać więcej zmiennych do danych, jak myślisz o nich., Niektóre z tych zmiennych będą znaczące, ale nie możesz być pewien, że znaczenie jest tylko przez przypadek. Skorygowany R2 zrekompensuje to karaniem za te dodatkowe zmienne.
chociaż wartości są zwykle dodatnie, mogą być również ujemne. Może się to zdarzyć, jeśli twój R2 wynosi zero; po korekcie wartość może spadać poniżej zera. Zazwyczaj oznacza to, że twój model jest słabo dopasowany do Twoich danych. Inne problemy z modelem mogą również powodować wartości poniżej zera, takie jak brak stałego terminu w modelu.,
problemy z R2, które są korygowane za pomocą skorygowanego R2
- R2 wzrasta wraz z każdym predyktorem dodanym do modelu. Ponieważ R2 zawsze rośnie i nigdy nie maleje, może się wydawać, że lepiej pasuje do większej liczby terminów dodanych do modelu. Może to być całkowicie mylące.
- Podobnie, jeśli twój model ma zbyt wiele terminów i zbyt wiele wielomianów wysokiego rzędu, możesz napotkać problem nadmiernego dopasowania danych. Gdy nadmiernie dopasowujesz dane, wprowadzająca w błąd wysoka wartość R2 może prowadzić do mylących prognoz.,
——————————————————————————
potrzebujesz pomocy w zadaniu domowym lub pytaniu testowym? Dzięki badaniu Chegg możesz uzyskać krok po kroku rozwiązania swoich pytań od eksperta w tej dziedzinie. Twoje pierwsze 30 minut z korepetytorem Chegg jest bezpłatne!