Per quanto ho capito, spiega quanto bene il modello preveda l'osservazione. rettificato è quello che tiene conto di più osservazioni (o gradi di libertà). Quindi, Adjusted R ^ 2 predice meglio il modello? Allora perché è inferiore a R ^ 2 ? Sembra che dovrebbe essere spesso di più.
Risposte:
mostra la relazione lineare tra le variabili indipendenti e la variabile dipendente. È definito come che è la somma degli errori quadrati divisa per la somma totale dei quadrati. che sono l'errore totale e la somma totale dei quadrati di regressione. Man mano che vengono aggiunte variabili indipendenti, continuerà a salire (e poiché è fisso) diminuirà e aumenterà continuamente indipendentemente da quanto siano preziose le variabili aggiunte.
L' R2 rettificato sta tentando di rendere conto del restringimento statistico. I modelli con tonnellate di predittori tendono ad avere prestazioni migliori nel campione rispetto a quando testati fuori campione. L' "penalizza" per l'aggiunta delle variabili predittive extra che non migliorano il modello esistente. Può essere utile nella selezione del modello. R ^ 2 rettificato sarà uguale a per una variabile predittore. Man mano che aggiungi le variabili, sarà più piccola di .
R ^ 2 spiega la proporzione della variazione nella variabile dipendente (Y) spiegata dalle variabili indipendenti (X) per un modello di regressione lineare.
Mentre R ^ 2 aggiustato indica la proporzione della variazione nella variabile dipendente (Y) spiegata da più di 1 variabili indipendenti (X) per un modello di regressione lineare.
L'R-Squared aumenta anche quando si aggiungono variabili che non sono correlate alla variabile dipendente, ma l'R-Squared aggiustato si prende cura di ciò poiché diminuisce ogni volta che si aggiungono variabili che non sono correlate alla variabile dipendente, quindi dopo aver cura è probabile diminuire.