回归模型的统计检验
合集下载
第2章3一元线性回归模型的统计检验
Std. Error t-Statistic
98.40598 -1.048429 0.042485 18.28900
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
2、变量的显著性检验
我们先来构造用于变量显著性检验的检验统计量。 (补充)
对于一元线性回归方程，我们已经知道
ˆ1 ~ N(1,
2
)
xi2
另外，可以证明（参见周纪芗《回归分析》P14）：
（1） （2）
ei2 ~ 2 n 2
2
ˆ1与 ei2独立
于是，可以构造如下统计量：
ˆ1 1
t
2
R2越接近1，说明实际观测点离样本回归线越 近，拟合优度越高。
在实际计算可决系数时，在 ˆ1 已经估计出后：
R2
yˆi2 yi2
ˆ12
xi2 yi2
在例2.2.1（P34-35）的可支配收入－消费支出例子中，
R2 ˆ12
xi2 yi2
(0.777)2 7425000 0.9766 4590020
• 换句话说，一个几乎不可能发生的小概率事 件（“检验统计量的样本值落入拒绝域”） 在一次试验中就发生了，这违背了小概率事 件原理，也就意味着导致了一个不合理的结 果。
显著性检验的步骤： (★)
（1）提出原假设H0和备择假设H1； （2）计算检验统计量的样本值； （3）确定临界值和拒绝域； （4）下结论。
Std. Error t-Statistic
Prob.1.3495Fra bibliotek8 0.217507
回归模型的统计检验
n 为样本容量。 为样本容量。
分布。 F 统计量服从自由度为 ( k , n − k − 1) 的 F 分布。选定 分布表（见本书附录） 一个显著性水平 α ，查 F 分布表（见本书附录） ， 可以得到一个临界值 Fα ( k , n − k − 1) 。
F检验与R2的关系
根据二者关系，有需注意的几个问题： ⑴F检验实际上也是判定系数的显著性检验。 ⑵如果模型对样本有较高的拟合优度，F检 验一般都能通过。 ⑶实际应用中不必过分苛求R2值的大小， 重要的是考察模型的经济意义是否合理。
∑ x ∑ x − (∑ x x ) ∑ x σˆ ∑ x ∑ x − (∑ x x )
2 1 2 2 1 2 2 1 2 2 1 2 2 1 2
2 x2 σ 2 ∑ ˆ
2
2
然后根据样本观测值和估计值，构造计算统计量： 然后根据样本观测值和估计值，构造计算统计量：
ˆ βi − βi t= ˆ S βi
ˆ ˆ ∑(y − y) = ∑ (y − y) + ∑ (y − y )
2 2 i i i i 2
y
yi
ei
yi − y
ˆ ( yi − y )
SRF
y
xi
x
TSS = Σ ( y i − y ) 2 ˆ ESS = Σ ( y i − y ) 2 ˆ RSS = Σ ( y i − y i ) 2
拟合优度检验统计量：可决系数( 2、拟合优度检验统计量：可决系数(判
定系数) 定系数)R2和校正可决系数 R2
（1）可决系数 ）
R 2 进行拟合优度检验，可决系 用可决系数 进行拟合优度检验，
数的计算公式为： 数的计算公式为：
( yi − y )2 ∑ˆ 2 R = ( yi − y )2 ∑
分布。 F 统计量服从自由度为 ( k , n − k − 1) 的 F 分布。选定 分布表（见本书附录） 一个显著性水平 α ，查 F 分布表（见本书附录） ， 可以得到一个临界值 Fα ( k , n − k − 1) 。
F检验与R2的关系
根据二者关系，有需注意的几个问题： ⑴F检验实际上也是判定系数的显著性检验。 ⑵如果模型对样本有较高的拟合优度，F检 验一般都能通过。 ⑶实际应用中不必过分苛求R2值的大小， 重要的是考察模型的经济意义是否合理。
∑ x ∑ x − (∑ x x ) ∑ x σˆ ∑ x ∑ x − (∑ x x )
2 1 2 2 1 2 2 1 2 2 1 2 2 1 2
2 x2 σ 2 ∑ ˆ
2
2
然后根据样本观测值和估计值，构造计算统计量： 然后根据样本观测值和估计值，构造计算统计量：
ˆ βi − βi t= ˆ S βi
ˆ ˆ ∑(y − y) = ∑ (y − y) + ∑ (y − y )
2 2 i i i i 2
y
yi
ei
yi − y
ˆ ( yi − y )
SRF
y
xi
x
TSS = Σ ( y i − y ) 2 ˆ ESS = Σ ( y i − y ) 2 ˆ RSS = Σ ( y i − y i ) 2
拟合优度检验统计量：可决系数( 2、拟合优度检验统计量：可决系数(判
定系数) 定系数)R2和校正可决系数 R2
（1）可决系数 ）
R 2 进行拟合优度检验，可决系 用可决系数 进行拟合优度检验，
数的计算公式为： 数的计算公式为：
( yi − y )2 ∑ˆ 2 R = ( yi − y )2 ∑
一元线性回归模型的统计检验
3. 怎样进行拟合优度检验 （1）总离差平方和的分解 已知有一组样本观测值( Xi ,Yi )(i 1, 2, , n)，得到 如下样本回归直线：
Yˆi ˆ0 ˆ1Xi
Y的第i个观测值与样本均值的离差yi Yi Y 可分 解为两部分之和：
yi Yi Y Yi Yˆi Yˆi Y ei yˆi (1)
规则：p值越小，越能拒绝原假设H0.
三、回归系数的置信区间
对参数作出的点估计虽然是无偏估计，但一 次抽样它并不一定等于真实值，所以需要找到包 含真实参数的一个范围，并确定这个范围包含参 数真实值的可靠程度。
在变量的显著性检验中已经知道：
t ˆi i ~ t(n 2) i=0,1
Sˆi
给出置信度1，查自由度为(n 2)的t分布表，
假设检验的步骤： （1）提出原假设和备择假设； （2）根据已知条件选择检验统计量； （3）根据显著性水平确定拒绝域或临界值； （4）计算出统计量的样本值并作出判断。
（2）变量的显著性检验
对于最小二乘估计量ˆ1，已经知道它服从正态分布
ˆ1 ~ N(1,
2
xi2 )
由于真实的 2未知，在用它的无偏估计量ˆ 2
在上述收入——消费支出的例子中，如果给定
=0.01，查表得：
t 2 (n 2) t0.005 (8) 3.355
由于
Sˆ1 0.042
Sˆ0 98.41
于是，计算得到1、0的置信区间分别为：
(0.6345,0.9195)
(-433.32,226.98)
则
TSS RSS ESS
Y的观测值围绕其均值的总离差可分解为两部 分：一部分来自回归线(RSS)，另一部分则来自随 机势力(ESS)。因此，我们可以用回归平方和RSS 占Y的总离差平方和TSS的比例来度量样本回归线 与样本观测值的拟合优度。
试谈回归模型的统计检验
被解释变量 Y 的线性作用的结果，考虑比值
ESS RSS
如果这个比值较大，则X的联合体对Y的解释 程度高，可认为总体存在线性关系，反之总体上 可能不存在线性关系。
因此,可通过该比值的大小对总体线性关系进 行推断。
根据数理统计学中的知识，在原假设H0成 立的条件下，统计量
F ESS / k RSS /(n k 1)
回归分析是要判断解释变量X是否是被解释 变量Y的一个显著性的影响因素。
在一元线性模型中，就是要判断X是否对Y 具有显著的线性性影响。这就需要进行变量的 显著性检验。
变量的显著性检验所应用的方法是数理统计学 中的假设检验。
计量经计学中，主要是针对变量的参数真值是 否为零来进行显著性检验的。
1、假设检验
因方程的总体线性关系显著每个解释变 量对被解释变量的影响都是显著的
因此，必须对每个解释变量进行显著性检验， 以决定是否作为解释变量被保留在模型中。
这一检验是由对变量的 t 检验完成的。
1、t统计量
由于可以证明: Cov(βˆ ) 2 (XX)1
以cii表示矩阵(X’X)-1 主对角线上的第i个元素， 于是参数估计量的方差为：
试谈回归模型的统计检 验
2021年8月6日星期五
第三节 回归模型的统计检验
一、模型的拟合优度检验 二、模型的显著性检验 三、解释变量的显著性检验
利用样本数据估计得到的样本回归方程, 只是对总体回归方程的一个近似估计模型 是否能确切反映经济变量间的相互关系还 需要进行检验.
回归分析中主要是通过一些统计检验 方法来保证模型在统计意义上的可靠性.
❖ 所谓假设检验，就是事先对总体参数或总 体分布形式作出一个假设，然后利用样本信息 来判断原假设是否合理，即判断样本信息与原 假设是否有显著差异，从而决定是否接受或否 定原假设。
ESS RSS
如果这个比值较大，则X的联合体对Y的解释 程度高，可认为总体存在线性关系，反之总体上 可能不存在线性关系。
因此,可通过该比值的大小对总体线性关系进 行推断。
根据数理统计学中的知识，在原假设H0成 立的条件下，统计量
F ESS / k RSS /(n k 1)
回归分析是要判断解释变量X是否是被解释 变量Y的一个显著性的影响因素。
在一元线性模型中，就是要判断X是否对Y 具有显著的线性性影响。这就需要进行变量的 显著性检验。
变量的显著性检验所应用的方法是数理统计学 中的假设检验。
计量经计学中，主要是针对变量的参数真值是 否为零来进行显著性检验的。
1、假设检验
因方程的总体线性关系显著每个解释变 量对被解释变量的影响都是显著的
因此，必须对每个解释变量进行显著性检验， 以决定是否作为解释变量被保留在模型中。
这一检验是由对变量的 t 检验完成的。
1、t统计量
由于可以证明: Cov(βˆ ) 2 (XX)1
以cii表示矩阵(X’X)-1 主对角线上的第i个元素， 于是参数估计量的方差为：
试谈回归模型的统计检 验
2021年8月6日星期五
第三节 回归模型的统计检验
一、模型的拟合优度检验 二、模型的显著性检验 三、解释变量的显著性检验
利用样本数据估计得到的样本回归方程, 只是对总体回归方程的一个近似估计模型 是否能确切反映经济变量间的相互关系还 需要进行检验.
回归分析中主要是通过一些统计检验 方法来保证模型在统计意义上的可靠性.
❖ 所谓假设检验，就是事先对总体参数或总 体分布形式作出一个假设，然后利用样本信息 来判断原假设是否合理，即判断样本信息与原 假设是否有显著差异，从而决定是否接受或否 定原假设。
一元线性回归模型的统计检验
预测分析
学习如何对新数据进行预测，进行误差分析，并利用置信区间来评估预测的 准确性。
模型选择
学习方差分析、逐步回归和信息准则等方法，探讨如何选择最佳的一元线性 回归模型。
实例分析
通过应用案例深入理解一元线性回归模型的统计检验，展示实际数据的应用和模型的术论文和研究报告等参考文献，帮助学习者进一步深入研 究一元线性回归模型的统计检验。
参数估计
掌握OLS估计法，解释回归系数的含义，了解拟合优度，并且能够根据参数估计法对一元线性回归模型 进行参数的估计。
模型检验
进行残差分析，检验模型是否符合要求，学习诊断性检验，发现模型中的问题并作出相应的调整。
显著性检验
学习t检验、p值和显著性水平的概念，了解在一元线性回归模型中如何进行 显著性检验。
一元线性回归模型的统计 检验
了解一元线性回归模型的统计检验。包括定义与介绍，相关理论，假设检验， 样本数据，参数估计，模型检验，显著性检验，预测分析，模型选择，实例 分析。
相关理论
了解线性回归方程、残差、误差、相关系数等相关理论，掌握它们在一元线性回归模型中的含义和应用。
样本数据
学习数据的收集、处理和描述，实现对一元线性回归模型的数据样本分析， 为后续的参数估计和模型检验打下基础。
Q& A
解答学生对于一元线性回归模型的统计检验相关问题，确保学生对所学内容的充分理解。
总结
对本次PPT的主要内容进行概括，总结重点和难点，帮助学习者回顾和巩固所 学知识。
答疑环节
解答学生在本次PPT学习中的遗留问题和疑惑，确保学生能够全面理解一元线 性回归模型的统计检验。
多元回归模型参数的各种检验及相关关系总结
多元回归模型参数的各种检验及相关关系总结1.F检验：F检验用于判断整个回归模型是否显著，即自变量在一起解释因变量的效果是否显著。
通过计算回归模型的F统计量，然后与F分布进行比较，进行假设检验。
若F统计量显著，则拒绝原假设，即回归模型具有显著的解释效果。
2.t检验：t检验用于判断各个自变量的系数是否显著，即自变量对因变量是否有显著影响。
通过计算各个自变量的t统计量，然后与t分布进行比较，进行假设检验。
若t统计量显著，则拒绝原假设，即该自变量具有显著影响。
3.R方检验：R方是一个衡量回归模型拟合优度的指标，表示因变量的变异能够被自变量解释的比例。
R方的取值范围为0到1，越接近1表示模型对观测数据的拟合程度越好。
可以使用R方来判断模型是否拟合良好，但需要注意过高的R方可能意味着过拟合。
4.回归系数的置信区间：对回归模型的回归系数进行置信区间估计，判断回归系数是否显著。
如果回归系数的置信区间包含零，则不能拒绝原假设，即该回归系数不显著。
相反，如果回归系数的置信区间不包含零，则拒绝原假设，即该回归系数显著。
5. Durbin-Watson检验：Durbin-Watson检验用于检验回归模型自相关性的存在。
自相关性指的是误差项之间存在相关性。
Durbin-Watson检验的统计量为DW值，其取值范围为0到4，DW值接近2表示无自相关性，DW值小于2表示存在正自相关性，DW值大于2表示存在负自相关性。
各种参数检验之间存在一些相关关系1.R方与F检验：R方是回归模型拟合程度的评估指标，而F检验用于判断整个回归模型的显著性。
R方较高时，F统计量一般也较大，说明回归模型的解释效果显著。
2.回归系数与t检验：回归模型的回归系数用于表示自变量对因变量的影响程度，t检验用于判断回归系数是否显著。
当回归系数较大时，其对应的t统计量也较大，说明这个自变量对因变量有显著影响。
3.回归系数与置信区间：回归系数的置信区间反映了回归系数的不确定性。
§2.3 一元线性回归模型的统计检验
( β$i t α × s β$ , β$i + t α × s β$ )
2 i 2 i
在上述收入-消费支出例中，如果给定α =0.01， 在上述收入-消费支出例中，如果给定α =0.01， 收入 例中 查表得： 查表得：
t α (n 2) = t0.005 (8) = 3.355
2
1
由于
S β = 0.042
βi βi s β
i
~ t ( n 2)
P(tα < t < tα ) = 1α
2 2
即
P(t α <
2
β$i βi
s β$
i
< tα ) = 1 α
2
$ tα ×s <β <β +tα ×s ) =1α $ P(β $ $ i i i β β
2 i 2 i
(1- 的置信度下, (1-α)的置信度下, βi的置信区间是
可构造如下t 对于一元线性回归方程中的β0，可构造如下 统计量进行显著性检验： 统计量进行显著性检验：
t=
β0 β0 2 ∑Xi2 n∑xi2 σ
=
β0 Sβ
0
~ t(n 2)
在上述收入-消费支出例中，首先计算σ 在上述收入-消费支出例中，首先计算σ2的估计值 收入 例中
σ2 = ei2 ∑ n 2 = (yi y)2 β12 ∑(xi x)2 ∑ n 2 =13402
§2.3 一元线性回归模型的统 计检验
一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间
一、拟合优度检验
含义： 含义：对样本回归直线与样本观测值之 间拟合程度的检验。 间拟合程度的检验。 指标：判定系数（可决系数） 指标：判定系数（可决系数）R2
计量经济学 )多元线性回归模型的统计检验
i i
ˆ) 0 X i1 (Yi Y i
ˆ) 0 X i 2 (Yi Y i
… X (Y Y ˆ) 0 ik i i
所以 从而
ˆ )(Y ˆ Y ) 0 (Y Y
i i
ˆ ) 2 (Y ˆ Y )2 (Y Y ) (Y Y i i i i
解释的那部分离差的大小。
• 那么，TSS、ESS、RSS之间存在的如下关系：
总离差平方和 = 回归平方和 + 残差平方和
TSS
=
ESS
+
RSS
关于TSS=ESS+ RSS的证明过程（教材P73） 证明： 将TSS，即总离差平方和进行分解：
ˆ ) (Y ˆ Y )) 2 TSS (Y Y ) 2 ((Y Y
• 拟合优度检验：检验模型对样本观测值的拟合 程度。
• 在一元回归模型中，拟合优度检验是通过构造 一个可以表征拟合程度的统计量R2来实现。
• 在多元回归模型中，也可以用该统计量来衡量 样本回归线对样本观测值的拟合程度。
总离差平方和、回归平方和及残差平方和
• 定义
TSS (Y Y ) 2
i
2 ˆ y i
y
2 i
1
yi
ei
2 2
检验模型的拟合优度。 R2叫做多重可决系数，也简称为可决系数或判定系数。
毫无疑问，R2越接近于1，模型的拟合优度越高。 但是在应用过程中人们发现，如果在模型中增加一个解释变量， 那么模型的回归平方和随之增大，从而R2也随之增大。 这就给人一个错觉：要使模型拟合得好，就必须增加解释变量。 所以，用来检验拟合优度的统计量必须能够防止这种倾向。
说 明
ˆ) 0 X i1 (Yi Y i
ˆ) 0 X i 2 (Yi Y i
… X (Y Y ˆ) 0 ik i i
所以 从而
ˆ )(Y ˆ Y ) 0 (Y Y
i i
ˆ ) 2 (Y ˆ Y )2 (Y Y ) (Y Y i i i i
解释的那部分离差的大小。
• 那么，TSS、ESS、RSS之间存在的如下关系：
总离差平方和 = 回归平方和 + 残差平方和
TSS
=
ESS
+
RSS
关于TSS=ESS+ RSS的证明过程（教材P73） 证明： 将TSS，即总离差平方和进行分解：
ˆ ) (Y ˆ Y )) 2 TSS (Y Y ) 2 ((Y Y
• 拟合优度检验：检验模型对样本观测值的拟合 程度。
• 在一元回归模型中，拟合优度检验是通过构造 一个可以表征拟合程度的统计量R2来实现。
• 在多元回归模型中，也可以用该统计量来衡量 样本回归线对样本观测值的拟合程度。
总离差平方和、回归平方和及残差平方和
• 定义
TSS (Y Y ) 2
i
2 ˆ y i
y
2 i
1
yi
ei
2 2
检验模型的拟合优度。 R2叫做多重可决系数，也简称为可决系数或判定系数。
毫无疑问，R2越接近于1，模型的拟合优度越高。 但是在应用过程中人们发现，如果在模型中增加一个解释变量， 那么模型的回归平方和随之增大，从而R2也随之增大。 这就给人一个错觉：要使模型拟合得好，就必须增加解释变量。 所以，用来检验拟合优度的统计量必须能够防止这种倾向。
说 明
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
（2）校正可决系数
RSS / n k 1 R 1 TSS / n 1
2
n 1 2 1 (1 R ) n (k 1)
R 2 R2
Hale Waihona Puke R2可以为负
补充：关于假设检验(在进行F/T统计检验之前)
假设检验是统计推断的一个主要内容，它的基本任务是根 据样本所提供的信息，对未知总体分布的某些方面的假设 作出合理的判断。 假设检验的程序是，先根据实际问题的要求提出一个论断， 称为统计假设；然后根据样本的有关信息，对假设的真伪 进行判断，作出拒绝或接受假设的决策。 假设检验的前提是知道所估计的样本回归系数概率分布性 质，即对总体回归系数某种原假设成立。 假设检验的基本思想是概率性质的反证法。 概率性质的反证法的根据是小概率事件原理，该原理认为 “小概率事件在一次试验中几乎是不可能发生的,如果该小 概率事件竟然发生了，就认为原假设不正确，而拒绝原假 设，不拒绝备则假设”。 下面讲授的模型的显著性检验及解释变量的显著性检验都 基于此基础。
二、模型的显著性检验
所谓模型的显著性检验，就是检验模型对总体的近 似程度，而且最常用的检验方法是F检验。 1.F检验的思想 F检验的思想来自于总离差平方和的分解式： TSS=ESS+RSS 由于回归平方和ESS是解释变量X联合体对被解释 变量Y的线性作用的结果，所以，如果ESS/RSS的 比值较大，则 X 的联合体对 Y的解释程度高，可认 为总体存在线性关系，反之总体上可能不存在线性 关系。 因此 , 可通过该比值的大小对总体线性关系进行推 断。
⒈总变差的分解
设估计的多元线性回归模型为：
ˆ ˆ x ˆ x ˆ x e yi 0 1 1i 2 2i k ki i
分析Y的观测值、估计值和平均值的关系
ˆi y yi y ˆi yi y y
因为 yi y 0 ，将上式两边平方加总，可证 得 2 2 2 ˆi y yi y ˆi yi y y
判定系数与相关系数的关系
联系：数值上判定系数是相关系数的平方。 区别： ⑴前者就模型而言，后者就两个变量而言。 ⑵前者说明解释变量对被解释变量的解释程度， 后者说明两变量线性依存程度。 ⑶前者度量的不对称的因果关系，后者度量的不 含因果关系的对称相关关系。 ⑷前者取值[0,1]非负，后者取值[-1,1]，可正可负。
一、模型的拟合优度检验
所谓拟合优度，即模型对样本数据的近似程 度。由于实际观察得到的样本数据是对客观 事实的一种真实反映，因此，模型至少应该 能较好的描述这一部分客观实际情况。为了 考察模型的拟合优度，需要构造一个指标— —判定系数（可决系数）。 认识判定系数之前让我们回顾一下关于样本 与总体回归函数，了解总离差分解。
在应用过程中我们会发现，如果在模型中增加一 个解释变量，模型的解释功能增强了，可决系数 R 2 计
2 ˆ y y 算公式中的分子——回归平方和 i 就会增大，
因而 R 就增大。这就给人一种错觉：似乎要使模型拟 合得好，就必须增加解释变量。但是，在样本容量一 定的情况下，增加解释变量必定使得自由度减少。所 以，用以检验拟合优度的统计量必须能够防止这种倾 2 2 R R 向，我们可以用自由度来调整 ，用 来表示调整 后的可决系数，以剔除解释变量数目与样本容量的影 响，使具有不同样本容量和解释变量数目的回归方程 可以进行拟合优度的比较。
y
yi
ei
yi y
ˆi y y
SRF
y
xi
x
TSS ( yi y ) 2 ˆi y )2 ESS ( y ˆi )2 RSS ( yi y
TSS为总体平方和（Total Sum of Squares），反 映样本观测值总体离差的大小；ESS为回归平方和 （Explained Sum of Squares），反映由模型中 解释变量所解释的那部分离差的大小；RSS为残差 平方和（Residual Sum of Squares），反映样本 观测值与估计值偏离的大小，也是模型中解释变 量未解释的那部分离差的大小。 TSS=RSS+ESS
注意的问题
判定系数只是说明列入模型的所有解释变量对 被解释变量的联合的影响程度，不说明模型中 每个解释变量的影响程度（在多元中） 回归的主要目的如果是经济结构分析，不能只 追求高的判定系数，而是要得到总体回归系数 可信的估计量。判定系数高并不一定每个回归 系数都可信。 如果建模的目的只是为了预测被解释变量值， 不是为了正确估计回归系数，一般可考虑有较 高的判定系数。
对于样本回归模型拟合总体模型，我们通常要进 行经济检验、统计检验、计量检验等。 统计检验则是在一定概率下求出参数，检验样本 对总体的代表性、影响关系是否显著等问题。主 要通过一些统计检验方法来保证模型在统计意义 上（即以样本推断总体）的可靠性。 我们所要进行的统计检验包括两方面，一方面检 验回归方程对样本数据的拟合程度，通过可决系 数；另一方面检验回归方程的显著性，通过假设 检验对模型中被解释变量与解释变量之间的线性 关系在总体上是否显著成立作出判断，包括对回 归方程线性关系的检验和对回归系数显著性的检 验。
数)R2和校正可决系数
（1）可决系数
2、拟合优度检验统计量：可决系数(判定系
R2
2 R 用可决系数 进行拟合优度检验，可决系
数的计算公式为：
2 ˆ y y R2 i 2 y y i
0 R 2 1 ，该统计量越接近于 1，模型
的拟合优度越高。
判定系数不仅反映了模型拟合程度的优劣，而且有 直观的经济含义：它定量地描述了y的变化中可以 用回归模型来说明的部分，即在被解释变量的变动 中，由模型中解释变量所引起的比例。 见前一节例题，解释意义 判定系数的特点： ⑴判定系数取值范围[0，1]。 ⑵随抽样波动，样本判定系数是随抽样而变动的随 机变量。 ⑶判定系数是非负的统计量。