R 平方（通常写为R2 ）是响应变量中可以由线性回归模型中的预测变量解释的方差的比例。

R 平方的值范围为 0 到 1。值为 0 表示响应变量根本无法由预测变量解释，而值为 1 表示响应变量可以由预测变量解释。预测器完美地解释了这一点，没有错误。变量。

调整后的 R 平方是 R 平方的修改版本，可根据回归模型中的预测变量数量进行调整。计算方法如下：

调整后的 R 2 = 1 – [(1-R 2 )*(n-1)/(nk-1)]

金子：

由于当您向模型中添加预测变量时， R2始终会增加，因此调整后的R2可以作为一个指标，告诉您模型的有用程度，并根据模型中预测变量的数量进行调整。

本教程提供了如何计算 R 回归模型的调整后R2 的分步示例。

在此示例中，我们将为 12 名不同的学生创建一个包含以下变量的数据集：

接下来，我们将使用考试成绩作为响应变量、学习时间和当前成绩作为预测变量来拟合多元线性回归模型。

要拟合此模型，请单击顶部功能区的“数据”选项卡，然后单击“数据分析” ：

如果此选项不可用，您必须首先加载数据分析工具库。

在出现的窗口中，选择回归。在出现的新窗口中，提供以下信息：

单击“确定”后，将出现回归模型输出：

回归模型的调整 R 平方是调整 R 平方旁边的数字：

该模型的调整 R 平方结果为0.946019 。

该值非常高，表明学习时间和当前成绩预测变量可以很好地预测考试成绩。

什么是好的 R 平方值？如何计算 R 中调整后的 R 平方如何在 Python 中计算调整后的 R 平方

大家好，我是本杰明，一位退休的统计学教授，后来成为 Statorials 的热心教师。 凭借在统计领域的丰富经验和专业知识，我渴望分享我的知识，通过 Statorials 增强学生的能力。了解更多