Câu hỏi được gắn thẻ «r-squared»

Hệ số xác định, thường được ký hiệu là , là tỷ lệ của tổng phương sai phản ứng được giải thích bằng mô hình hồi quy. Cũng có thể được sử dụng cho các giả R bình phương khác nhau được đề xuất, ví dụ cho hồi quy logistic (và các mô hình khác.) R2


2
Làm cách nào để chọn giữa các công thức điều chỉnh khác nhau ?
Tôi có ý tưởng về các công thức bình phương R điều chỉnh được đề xuất bởi: Ezekiel (1930), mà tôi tin là cái hiện đang được sử dụng trong SPSS. R2adjusted=1−(N−1)(N−p−1)(1−R2)Radjusted2=1−(N−1)(N−p−1)(1−R2)R^2_{\rm adjusted} = 1 - \frac{(N-1)}{(N-p-1)} (1-R^2) Olkin và Pratt (1958) R2unbiased=1−(N−3)(1−R2)(N−p−1)−2(N−3)(1−R2)2(N−p−1)(N−p+1)Runbiased2=1−(N−3)(1−R2)(N−p−1)−2(N−3)(1−R2)2(N−p−1)(N−p+1)R^2_{\rm unbiased} = 1 - \frac{(N-3)(1-R^2)}{(N-p-1)} - \frac{2(N-3)(1-R^2)^2}{(N-p-1)(N-p+1)} …



4
Tại sao
Lưu ý: SSTSSTSST = Sum of Squares Total, SSESSESSE = Sum of Squared Error và SSRSSRSSR = Regression Sum of Squares. Phương trình trong tiêu đề thường được viết là: ∑i=1n(yi−y¯)2=∑i=1n(yi−y^i)2+∑i=1n(y^i−y¯)2∑i=1n(yi−y¯)2=∑i=1n(yi−y^i)2+∑i=1n(y^i−y¯)2\sum_{i=1}^n (y_i-\bar y)^2=\sum_{i=1}^n (y_i-\hat y_i)^2+\sum_{i=1}^n (\hat y_i-\bar y)^2 Câu hỏi khá đơn giản, nhưng tôi đang tìm kiếm một lời …



2
Sự khác biệt giữa việc chọn các tính năng dựa trên hồi quy của F F và dựa trên các giá trị ?
Là so sánh các tính năng sử dụng F-regressiongiống như các tính năng tương quan với nhãn riêng lẻ và quan sát giá trị ?R2R2R^2 Tôi thường thấy các đồng nghiệp của mình sử dụng một F regressionlựa chọn tính năng trong đường ống học máy của họ từ sklearn: …






2
Tính toán
Tôi đã đọc về cách tính giá trị trong các mô hình hỗn hợp và sau khi đọc Câu hỏi thường gặp về R-sig, các bài đăng khác trên diễn đàn này (tôi sẽ liên kết một vài nhưng tôi không có đủ danh tiếng) và một số tài liệu …

1
Giá trị mong đợi của , hệ số xác định, theo giả thuyết null
Tôi tò mò về báo cáo kết quả thực hiện ở dưới cùng của trang đầu tiên trong văn bản này về điều chỉnhR2adjustedRadjusted2R^2_\mathrm{adjusted} R2adjusted=1−(1−R2)(n−1n−m−1).Radjusted2=1−(1−R2)(n−1n−m−1).R^2_\mathrm{adjusted} =1-(1-R^2)\left({\frac{n-1}{n-m-1}}\right). Văn bản nêu rõ: Logic của việc điều chỉnh như sau: trong hồi quy nhiều bình thường, một dự đoán ngẫu nhiên giải thích …

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.