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 cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.