1. 评估营销模型复杂度
市场分析师背景
分析师正在建立一个预测销售额的模型,初始模型包含 3 个变量,R 平方为 0.82,样本量为 50。
问题
需要确定在当前样本规模下,该模型的解释力是否被变量数量过度夸大。
如何使用
在计算器中输入 R 平方 0.82,样本量 50,预测变量数 3。
rSquared: 0.82, sampleSize: 50, predictorCount: 3结果
计算得出调整后 R 平方为 0.8083,惩罚项为 0.0117,表明模型解释力依然稳健。
Elysia Tools
导航
Math & Numbers
根据 R 平方、样本量和预测变量数量计算调整后 R 平方
执行
填写表单、运行工具,并在同一页面查看结果。
案例
相关内容
等待运行
工具使用指南
调整后 R 平方计算器是一款专业的统计工具,用于在回归分析中根据样本量和预测变量数量对 R 平方进行修正。与标准 R 平方不同,调整后 R 平方会惩罚模型中不必要的变量,从而更真实地反映模型对数据的解释能力,有效防止过拟合。
背景
分析师正在建立一个预测销售额的模型,初始模型包含 3 个变量,R 平方为 0.82,样本量为 50。
问题
需要确定在当前样本规模下,该模型的解释力是否被变量数量过度夸大。
如何使用
在计算器中输入 R 平方 0.82,样本量 50,预测变量数 3。
rSquared: 0.82, sampleSize: 50, predictorCount: 3结果
计算得出调整后 R 平方为 0.8083,惩罚项为 0.0117,表明模型解释力依然稳健。
背景
研究员在一项只有 20 个样本的实验中使用了 5 个预测变量,得到了 0.75 的高 R 平方值。
问题
怀疑高 R 平方是由变量过多导致的虚假拟合。
如何使用
输入 R 平方 0.75,样本量 20,预测变量数 5。
rSquared: 0.75, sampleSize: 20, predictorCount: 5结果
调整后 R 平方显著下降至 0.6607,提醒研究员模型可能存在过拟合风险,需简化变量。
因为它引入了对预测变量数量的惩罚机制,旨在抵消因增加变量而导致的 R 平方虚高。
是的,如果模型的预测能力极差,或者预测变量过多而样本量太小,计算结果可能会变成负数。
在比较变量数量不同的模型时,应优先参考调整后 R 平方,因为它考虑了模型的复杂性。
不包含,预测变量数量仅指模型中独立自变量的个数。
样本量越小,增加预测变量带来的惩罚就越重,调整后 R 平方与原始 R 平方的差距就越大。