{
  "id": "adjusted-r-squared",
  "title": "调整后的 R 平方",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "调整后的 R 平方在衡量回归拟合优度时，考虑了估计参数个数相对于样本量的影响。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "调整决定系数",
    "校正决定系数",
    "修正决定系数",
    "调整 R²"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/adjusted-r-squared/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/adjusted-r-squared/",
      "json": "https://aiwiki.page/en/adjusted-r-squared.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "调整后的 R 平方通常记作 \\(\\bar R^2\\) 或 \\(R_{\\mathrm{adj}}^2\\)，是衡量线性回归模型拟合优度的指标，它根据估计参数的个数对普通决定系数进行调整。对于使用同一组观测数据拟合的普通最小二乘模型，加入预测变量不会使普通 \\(R^2\\) 降低，但可能使调整后的 \\(R^2\\) 降低。因此，这一指标能够在比较模型解释性拟合表现的同时，对额外引入的预测变量施加惩罚。"
    },
    {
      "heading": "定义",
      "text": "对于使用普通最小二乘法拟合且含截距项的回归模型，设：\n\n- \\(n\\) 为观测值个数；\n- \\(k\\) 为估计的斜率系数个数，不包括截距；\n- \\(y_i\\) 为响应变量的观测值；\n- \\(\\hat y_i\\) 为响应变量的拟合值；\n- \\(\\bar y\\) 为响应变量的样本均值。\n\n将残差平方和与总平方和定义为\n\n\\[\\mathrm{SSE}=\\sum_{i=1}^{n}(y_i-\\hat y_i)^2, \\qquad \\mathrm{SST}=\\sum_{i=1}^{n}(y_i-\\bar y)^2.\\]\n\n普通 \\(R^2\\) 为\n\n\\[R^2=1-\\frac{\\mathrm{SSE}}{\\mathrm{SST}}.\\]\n\n调整后的 \\(R^2\\) 为\n\n\\[\\boxed{ \\bar R^2 = 1-\\frac{\\mathrm{SSE}/(n-k-1)} {\\mathrm{SST}/(n-1)} = 1-(1-R^2)\\frac{n-1}{n-k-1} }.\\]\n\n这一定义要求 \\(\\mathrm{SST}>0\\)，且残差自由度为正，即 \\(n-k-1>0\\)。如果响应变量为常数，中心化总平方和就为零，此时通常使用的这一统计量没有定义。\n\n参数个数指的是估计的系数个数，而非变量名称的个数。一个由多个指示变量列表示的分类预测变量，或一个由多个幂次项表示的多项式预测变量，都可能对应不止一个系数。如果设计矩阵秩亏，残差自由度为 \\(n-r\\)，其中 \\(r\\) 是该矩阵的秩；模型含截距项时，应以 \\(r-1\\) 替代 \\(k\\)。"
    },
    {
      "heading": "统计解释",
      "text": "这一调整比较的是两个以方差为尺度的量：\n\n\\[s_e^2=\\frac{\\mathrm{SSE}}{n-k-1}, \\qquad s_y^2=\\frac{\\mathrm{SST}}{n-1}.\\]\n\n因此，\n\n\\[\\bar R^2=1-\\frac{s_e^2}{s_y^2}.\\]\n\n这里，\\(s_y^2\\) 是响应变量的样本方差。在线性模型设定正确，且误差均值为零、互不相关、具有相同方差的条件下，\\(s_e^2\\) 是误差方差的无偏估计量。\n\n训练数据上的残差只要减小，普通 \\(R^2\\) 就会提高，即使这种减小只是拟合了随机波动的结果。调整后的 \\(R^2\\) 通过将残差平方和除以拟合模型后剩余的自由度，来抵消这种倾向。\n\n尽管可以这样解释，调整后的 \\(R^2\\) 并不是真正将观测到的变异分解为已解释和未解释的两个比例。一般而言，它也不是总体决定系数的严格无偏估计量。各个方差估计量无偏，并不意味着它们的比值也无偏。"
    },
    {
      "heading": "性质与取值范围",
      "text": "对于含截距项的普通最小二乘模型：\n\n- \\(\\bar R^2\\leq R^2\\)。\n- 仅含截距项的模型有 \\(R^2=\\bar R^2=0\\)。\n- 完美拟合时，若残差自由度仍为正，则 \\(\\bar R^2=1\\)。\n- 调整后的 \\(R^2\\) 可以为负。\n- 在预测变量个数固定时，样本量越大，调整幅度越小。\n\n这两个指标之差为\n\n\\[R^2-\\bar R^2 = \\frac{k(1-R^2)}{n-k-1}.\\]\n\n调整后的 \\(R^2\\) 为负，表示残差方差的估计值大于响应变量的样本方差。这并不意味着模型真的解释了负比例的变异。\n\n对于固定的数据集，最大化调整后的 \\(R^2\\) 等价于最小化残差均方 \\(\\mathrm{SSE}/(n-k-1)\\)。"
    },
    {
      "heading": "加入预测变量后会发生什么？",
      "text": "考虑使用同一组观测数据拟合的两个嵌套模型。简约模型有 \\(k\\) 个斜率系数，完整模型在此基础上增加了 \\(q\\) 个可独立估计的系数。将两者的残差平方和分别记为 \\(\\mathrm{SSE}_R\\) 和 \\(\\mathrm{SSE}_F\\)。\n\n若完整模型的残差平方和为正，定义偏 \\(F\\) 统计量为\n\n\\[F= \\frac{(\\mathrm{SSE}_R-\\mathrm{SSE}_F)/q} {\\mathrm{SSE}_F/(n-k-q-1)}.\\]\n\n则有\n\n\\[\\bar R_F^2>\\bar R_R^2 \\quad\\Longleftrightarrow\\quad F>1.\\]\n\n因此，只有当每个新增参数带来的改善超过完整模型的残差均方时，调整后的 \\(R^2\\) 才会提高。这一关系是代数关系；要借助 \\(F\\) 分布解释该统计量，还需要额外的假设。\n\n只增加一个系数时，相应的普通最小二乘 \\(t\\) 统计量满足 \\(F=t^2\\)。因此，当 \\(|t|>1\\) 时，调整后的 \\(R^2\\) 就会提高。这并不等同于通过常规的 5% 显著性水平下的统计假设检验。因此，以最大化调整后的 \\(R^2\\) 为目标，可能会保留不满足该检验阈值的预测变量。"
    },
    {
      "heading": "数值示例",
      "text": "假设使用同一组 100 个观测值拟合若干模型：\n\n模型 | 斜率系数个数 \\(k\\) | 普通 \\(R^2\\) | 调整后的 \\(R^2\\)\nA | 2 | 0.600 | 0.5918\nB | 3 | 0.602 | 0.5896\nC | 3 | 0.610 | 0.5978\n\n对于模型 A，\n\n\\[\\bar R_A^2 = 1-(1-0.600)\\frac{99}{97} \\approx 0.5918.\\]\n\n如果模型 B 是在模型 A 的基础上加入一个预测变量得到的，那么其普通 \\(R^2\\) 的小幅提高不足以抵消新增参数带来的惩罚。模型 C 的改善幅度更大，调整后的 \\(R^2\\) 也更高。模型 B 和 C 的参数个数相同，因此按调整后的 \\(R^2\\) 排序与按普通 \\(R^2\\) 排序的结果一致。"
    },
    {
      "heading": "用途与局限",
      "text": "在统计学、计量经济学及其他定量学科的回归分析中，调整后的 \\(R^2\\) 是常见的报告指标。在使用相同响应变量、相同观测数据和相同拟合约定的前提下，它有助于比较预测变量个数不同的模型。\n\n对这一指标的解释存在若干重要限制。\n\n它不是样本外性能指标\n\n调整后的 \\(R^2\\) 是用拟合模型时所用的数据计算的。它对参数个数的惩罚并不直接衡量模型对新观测值的预测误差。从大量模型中进行筛选，可能使最终选出的数值偏高，显得过于乐观。交叉验证或独立测试数据集可以结合均方误差等指标，更直接地评估预测性能。\n\n它不能证明模型有效，也不能确立因果关系\n\n调整后的 \\(R^2\\) 较高，并不能证明函数形式正确、误差假设成立，或不存在强影响观测值。它也不能据以作出因果推断：即使拟合优度很高，仍可能存在遗漏变量、混杂及其他识别问题。\n\n比较需要共同的基础\n\n如果模型使用的观测数据不同，或对响应变量采用了不同的变换，通常不宜比较其调整后的 \\(R^2\\)。例如，以 \\(y\\) 为响应变量的模型和以 \\(\\log y\\) 为响应变量的模型，是在不同尺度上衡量残差变异的。如果因预测变量值缺失而删除部分观测，由此造成的变化也不能完全归因于预测变量集合的变化。\n\n其他类型的模型需要采用不同的约定\n\n模型不含截距项时，一些软件会使用未中心化总平方和 \\(\\sum_i y_i^2\\)，并作相应调整。这样的数值不能与上文定义的中心化统计量直接比较。\n\n对于正则化模型，如岭回归，拟合系数的个数通常不足以衡量模型的有效复杂度。同样，逻辑回归等基于似然的模型使用各种伪 \\(R^2\\) 指标；这些指标的调整形式，与普通最小二乘法中的调整后的 \\(R^2\\) 并不是同一种统计量。"
    }
  ],
  "links": [
    "linear-regression",
    "coefficient-of-determination",
    "ordinary-least-squares",
    "sample-mean",
    "degrees-of-freedom",
    "matrix",
    "matrix-rank",
    "variance",
    "sample-size",
    "significance-level",
    "statistical-hypothesis-testing",
    "statistics",
    "econometrics",
    "cross-validation",
    "mean-squared-error",
    "causal-inference",
    "confounding",
    "regularization",
    "ridge-regression",
    "logistic-regression"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}