Насколько я понимаю, объясняет, насколько хорошо модель предсказывает наблюдение. Скорректированный - это тот, который учитывает больше наблюдений (или степеней свободы). Итак, Скорректированный предсказывает модель лучше? Тогда почему это меньше, чем ? Похоже, что часто должно быть больше.
Ответы:
показывает линейную зависимость между независимыми переменными и зависимой переменной. Определяется как 1 - S S E - сумма квадратов ошибок, деленная на общую сумму квадратов. SSTO=SSE+SSR,которые представляют собой общую ошибку и общую сумму квадратов регрессии. По мере добавления независимых переменныхSSRбудет продолжать расти (и посколькуSSTOфиксировано),SSEбудет снижаться, аR2будет непрерывно повышаться независимо от того, насколько ценны переменные, которые вы добавили.
Скорректированный пытается учесть статистическую усадку. Модели с тоннами предикторов имеют тенденцию работать лучше в выборке, чем при тестировании вне выборки. Скорректированный R 2 «штрафует» вас за добавление дополнительных переменных предиктора, которые не улучшают существующую модель. Это может быть полезно при выборе модели. Скорректированный R 2 будет равен R 2 для одной переменной предиктора. Когда вы добавляете переменные, он будет меньше, чем R 2 .
R ^ 2 объясняет пропорцию изменения вашей зависимой переменной (Y), объясненную вашими независимыми переменными (X) для модели линейной регрессии.
В то время как скорректированный R ^ 2 говорит, что доля вариации в вашей зависимой переменной (Y) объясняется более чем 1 независимой переменной (X) для модели линейной регрессии.
R-Squared увеличивается, даже когда вы добавляете переменные, которые не связаны с зависимой переменной, но отрегулированный R-Squared заботится об этом, так как он уменьшается всякий раз, когда вы добавляете переменные, которые не связаны с зависимой переменной, таким образом, после обработки это, вероятно, уменьшать.