相关系数r和决定系数R2的那些事

有人说相关系数（correlation coefficient，r）和决定系数（coefficient of determination，R^2，读作R-Squared）都是评价两个变量相关性的指标，且相关系数的平方就是决定系数？这种说法对不对呢？请听下文分解！

要说相关系数，我们先来聊聊协方差。在之前的博文《使用Python计算方差协方差相关系数》中提到协方差是计算两个随机变量X和Y 之间的相关性的指标，定义如下：

\mathrm{Cov}(X, Y) = \mathrm{E}[(X - \mathrm{E}X)(Y - \mathrm{E}Y)]

但是协方差有一个确定：它的值会随着变量量纲的变化而变化（covariance is not scale invariant），所以，这才提出了相关系数的概念：

r = \mathrm{Corr}(X, Y) = \frac{Cov(X, Y)}{\sigma_X \cdot \sigma_Y} = \frac{\mathrm{E}[(X - \mathrm{E}X)(Y - \mathrm{E}Y)]}{\sqrt{\mathrm{E}[X - \mathrm{E}X]^2}\sqrt{\mathrm{E}[Y - \mathrm{E}Y]^2}}

对于相关系数，我们需要注意：

下面来说决定系数，R方一般用在回归模型用用于评估预测值和实际值的符合程度，R方的定义如下：

R^2 = 1 - \mathrm{FVU} = 1 - \frac{\mathrm{RSS}}{\mathrm{TSS}} = 1 - \frac{\sum\limits_i(y_i - f_i)^2}{\sum\limits_i(y_i - \hat{y})^2}

上式中y是实际值，f是预测值，\hat{y}是实际值的平均值。\mathrm{FVU}被称为fraction of variance unexplained，RSS叫做Residual sum of squares，TSS叫做Total sum of squares。根据R^2的定义，可以看到R^2是有可能小于0的，所以R2不是r的平方。一般地，R^2越接近1，表示回归分析中自变量对因变量的解释越好。

对于$R^2$可以通俗地理解为使用均值作为误差基准，看预测误差是否大于或者小于均值基准误差。

此外，我们做这样一个变形：R^2 = 1 - \frac{\sum\limits_i(y_i - f_i)^2 / n}{\sum\limits_i(y_i - \hat{y})^2 / n} = 1 - \frac{\mathrm{RMSE}}{\mathrm{Var}}，可以看到变成了1减去均方根误差和方差的比值（有利于编程实现）。

另外有一个叫做Explained sum of squares，\mathrm{ESS} = \sum\limits_i(f_i - \hat{y})^2

在一般地线性回归模型中，有\mathrm{ESS} + \mathrm{RSS} = \mathrm{TSS}（证明过程参见：Partitioning in the general ordinary least squares model）

在这种情况下：我们有R^2 = 1 - \frac{\mathrm{RSS}}{\mathrm{TSS}} = \frac{\mathrm{ESS}}{\mathrm{TSS}} = \frac{\sum\limits_i(f_i - \hat{y})^2}{\sum\limits_i(y_i - \hat{y})^2}

对于R^2我们需要注意：

最后，这篇文章《8 Tips for Interpreting R-Squared》里面指出了不错误解读R^2的地方，读完之后，我觉得以后还是少用R^2，对于模型的评估可以选择其它一些更适合的指标。

1. The relationship between correlation and the coefficient of determination

2. Coefficient of determination

3. Explained sum of squares

4. Regression Analysis: How Do I Interpret R-squared and Assess the Goodness-of-Fit?

5. 8 Tips for Interpreting R-Squared