Pour autant que je sache, explique dans quelle mesure le modèle prédit l'observation. Le R 2 ajusté est celui qui prend en compte davantage d'observations (ou degrés de liberté). Donc, R 2 ajusté prédit mieux le modèle? Alors pourquoi est-ce moins que R 2 ? Il semble que cela devrait souvent être plus.
Réponses:
montre la relation linéaire entre les variables indépendantes et la variable dépendante. Il est défini comme 1 - S S E qui est la somme des erreurs quadratiques divisée par la somme totale des carrés. SSTO=SSE+SSRqui sont l'erreur totale et la somme totale des carrés de régression. Au fur et à mesure que des variables indépendantes sont ajoutées,SSRcontinuera d'augmenter (et puisqueSSTOest fixe)SSEdiminuera etR2augmentera continuellement quelle que soit la valeur des variables que vous avez ajoutées.
Le ajusté tente de tenir compte du retrait statistique. Les modèles avec des tonnes de prédicteurs ont tendance à mieux fonctionner dans l'échantillon que lorsqu'ils sont testés hors échantillon. Le R 2 ajusté vous «pénalise» pour l'ajout de variables prédictives supplémentaires qui n'améliorent pas le modèle existant. Cela peut être utile dans la sélection du modèle. R 2 ajusté sera égal à R 2 pour une variable prédictive. Lorsque vous ajoutez des variables, il sera plus petit que R 2 .
R ^ 2 explique la proportion de la variation de votre variable dépendante (Y) expliquée par vos variables indépendantes (X) pour un modèle de régression linéaire.
Bien que R ^ 2 ajusté indique la proportion de la variation de votre variable dépendante (Y) expliquée par plus d' une variable indépendante (X) pour un modèle de régression linéaire.
R-Squared augmente même lorsque vous ajoutez des variables qui ne sont pas liées à la variable dépendante, mais le R-Squared ajusté prend soin de cela car il diminue chaque fois que vous ajoutez des variables qui ne sont pas liées à la variable dépendante, donc après avoir pris soin, il est probable diminuer.