seychellesartprojects.org

Mis on korrigeeritud R ruut?

Korrigeeritud R ruut - viitab statistilisele tööriistale, mis aitab investoritel mõõta sõltuva muutujaga seletatava sõltuva muutuja variatsiooni ulatust ja arvestab ainult nende sõltumatute muutujate mõju, millel on variatsioonile mõju. sõltuva muutuja väärtus.

Korrigeeritud R ruut või muudetud R ^ 2 määrab sõltuva muutuja dispersiooni ulatuse, mida saab seletada sõltumatu muutujaga. Muudetud R ^ 2 eripära on see, et see ei võta arvesse kõigi sõltumatute muutujate mõju, vaid ainult neid, mis mõjutavad sõltuva muutuja variatsiooni. Ka modifitseeritud R ^ 2 väärtus võib olla negatiivne, kuigi see pole enamasti negatiivne.

Kohandatud R ruudu vormel

Regressiooni korrigeeritud R-ruudu arvutamiseks on esitatud järgmine valem:

R ^ 2 = {(1 / N) * Σ [(xi - x) * (yi - y)] / (σx * σy)} ^ 2

Kus

• R ^ 2 = regressioonivõrrandi korrigeeritud R ruut
• N = vaatluste arv regressioonivõrrandis
• Xi = regressioonivõrrandi sõltumatu muutuja
• X = regressioonivõrrandi sõltumatu muutuja keskmine
• Yi = regressioonivõrrandi sõltuv muutuja
• Y = regressioonivõrrandi sõltuva muutuja keskmine
• σx = sõltumatu muutuja standardhälve
• σy = Sõltuva muutuja standardhälve.

Pane tähele

Selle arvutamiseks Excelis peab Excelis olema y ja x muutuja ning kogu väljund koos korrigeeritud R ^ 2 genereeritakse Exceli poolt. See on erijuhtum, kus erinevalt teistest valemitest on väljundit keeruline esitada tekstivormingus.

Tõlgendamine

Korrigeeritud R ruut määrab sõltuva muutuja dispersiooni ulatuse, mida saab seletada sõltumatu muutujaga. Korrigeeritud R ^ 2 väärtust vaadates saab otsustada, kas regressioonivõrrandi andmed sobivad hästi. Korrigeeritud R ^ 2 kõrgem on parem regressioonivõrrand, kuna see tähendab, et sõltuva muutuja määramiseks valitud sõltumatu muutuja on võimeline selgitama sõltuva muutuja variatsiooni.

Ka modifitseeritud R ^ 2 väärtus võib olla negatiivne, kuigi see pole enamasti negatiivne. Korrigeeritud R ruudu korral tõuseb korrigeeritud R ruudu väärtus koos sõltumatu muutuja lisamisega ainult siis, kui sõltumatu muutuja variatsioon mõjutab sõltuva muutuja variatsiooni. See ei kehti R ^ 2 puhul, kehtib ainult korrigeeritud R ^ 2 väärtuse kohta.

Näited

Selle korrigeeritud R ruudulise valemi Exceli malli saate alla laadida siit - kohandatud R ruudu valemi Exceli mall

Näide 1

Proovime näite abil mõista kohandatud R ^ 2 mõistet. Proovime välja selgitada, milline on seos veokijuhi läbitud vahemaa ja veokijuhi vanuse vahel. Keegi teeb tegelikult regressioonivõrrandi, et kinnitada, kas seda, mida ta arvab kahe muutuja vahekorrast, kinnitab ka regressioonivõrrand.

Selles konkreetses näites näeme, milline muutuja on sõltuv muutuja ja milline on sõltumatu muutuja. Selle regressioonivõrrandi sõltuv muutuja on veokijuhi läbitud vahemaa ja sõltumatu muutuja on veokijuhi vanus. Käivitades muutujate regressiooni, saime korrigeeritud R-ruudu 65% -ks. Allolev hetkepilt kujutab muutujate regressiooniväljundit. Andmekogum ja muutujad esitatakse lisatud Exceli lehel.

Selle regressiooni kohandatud R ^ 2 väärtus 65% tähendab, et 65% sõltuva muutuja variatsioonist on seletatav sõltumatu muutujaga. Ideaalis otsib teadlane määramiskoefitsienti, mis on kõige lähemal 100% -le.

Näide 2

Proovime teise näite abil mõista kohandatud R-ruudu mõistet. Proovime välja selgitada, milline on seos klassi õpilaste pikkuse ja nende õpilaste GPA-klassi vahel. Selles konkreetses näites näeme, milline muutuja on sõltuv muutuja ja milline on sõltumatu muutuja. Selle regressioonivõrrandi sõltuv muutuja on õpilaste GPA ja sõltumatu muutuja on õpilaste kõrgus.

Käivitades muutujate regressiooni, saime korrigeeritud R ^ 2 tühiseks või negatiivseks. Allolev hetkepilt kujutab muutujate regressiooniväljundit. Andmekogum ja muutujad esitatakse lisatud Exceli lehel.

Korrigeeritud R ^ 2 väärtus on selle regressiooni jaoks tühine, mis tähendab, et sõltuva muutuja varieerumist ei selgitata sõltumatu muutujaga. Ideaalis otsib teadlane määramiskoefitsienti, mis on kõige lähemal 100% -le.

Tõlgendamine

Korrigeeritud R ruut on väga oluline väljund, et teada saada, kas andmekogum sobib hästi või mitte. Keegi teeb tegelikult regressioonivõrrandi, et kinnitada, kas seda, mida ta arvab kahe muutuja vahekorrast, kinnitab ka regressioonivõrrand. Mida suurem on väärtus, seda parem on regressioonivõrrand, kuna see tähendab, et sõltuva muutuja määramiseks valitud sõltumatu muutuja valitakse õigesti. Ideaalis otsib teadlane määramiskoefitsienti, mis on kõige lähemal 100% -le.