1 基本概念
1.1 定义
决定系数是回归分析中衡量模型解释能力的统计量，通常记为 R²。它表示在因变量的总变动中，有多少比例可以由模型中的自变量所解释。一般来说，R²越接近 1，说明模型对数据的拟合程度越高；越接近 0，则说明模型对因变量变化的解释较弱。
1.2 统计含义
决定系数不仅是一个数值指标，也体现了模型对观测数据结构的概括能力。它关注的是“模型能解释多少”，而不是“模型是否一定正确”，因此常与残差、显著性检验和预测误差等指标结合使用。
1.2.1 解释变异与未解释变异
因变量的波动通常可分为两部分：一部分能够被模型解释，另一部分则留在残差中。决定系数描述的正是前者所占比例。未解释变异越多，R²通常越低；反之，若模型能覆盖大部分波动，则 R² 会相应升高。
1.2.2 拟合优度的直观理解
从直观上看，决定系数可理解为“模型贴合数据的程度”。例如，在散点图中，若回归线大致穿过数据点的集中区域，R²往往较高；若点分布零散、离散程度大，则 R²通常较低。不过，拟合优度高并不意味着模型一定适合用于解释因果关系或外推预测。
1.3 记号与常见表示
决定系数最常见的记号是 R²，也常被称为“判定系数”或“拟合优度系数”。在输出结果中，它往往与回归方程、F 检验、残差标准误等一同出现。
1.3.1 R² 的含义
R²中的“R”通常与相关关系有关，而上标“2”表示平方形式。它在简单线性回归中与相关系数平方相对应，因此具有较强的直观性；在更一般的回归模型中，则表示模型对因变量变异的解释比例。
1.3.2 调整后 R² 的区别
调整后 R²是在普通 R²基础上，考虑自变量数量与样本规模后得到的修正指标。它对新增变量带来的“表面提升”更为谨慎，能在一定程度上抑制过多变量导致的虚高现象，因此更适合用于比较不同复杂度的模型。
2 数学表达
2.1 基本公式
在经典线性回归中，决定系数通常写作 R² = 1 - SSE / SST， 其中 SSE 表示残差平方和，SST 表示总平方和。该式表明，残差占总变异的比例越小，R²就越高。
2.1.1 总平方和
总平方和用于衡量因变量相对于其均值的总体波动，记为 SST。它反映了样本中观测值的总离散程度，是方差分解中的基础部分。
2.1.2 回归平方和
回归平方和记为 SSR，表示模型预测值相对于因变量均值所解释的那部分变异。它是模型“贡献”的量化形式，常与总平方和、残差平方和共同构成分解关系。
2.1.3 残差平方和
残差平方和记为 SSE，表示观测值与模型拟合值之间的偏差总和。SSE越小，说明模型预测越接近真实数据，R²通常也越高。
2.2 计算方法
决定系数的计算可从平方和分解直接获得，也可在特定条件下由相关系数推导。不同软件和不同模型形式会采用相应的实现方式，但核心思想保持一致。
2.2.1 由平方和推导
在回归模型中，若满足常见的分解关系，则 SST = SSR + SSE。 据此可得 R² = SSR / SST = 1 - SSE / SST。 这一形式最能体现解释变异与总变异之间的比例关系。
2.2.2 由相关系数推导
在简单线性回归中，决定系数等于相关系数的平方，即 R² = r²。这里的 r 表示自变量与因变量之间的皮尔逊相关系数。由于平方后消除了正负号，因此 R²只反映关联强度，而不体现方向。
2.3 取值范围与特殊情况
在常见线性回归中，R²通常介于 0 与 1 之间，但在某些模型设定或无截距回归中，也可能出现超出这一范围的情况。其具体含义需要结合模型结构判断。
2.3.1 R² = 0
当 R² 等于 0 时，说明模型没有解释任何因变量变异，预测效果与直接使用均值作为估计值相同。这通常意味着所选自变量对因变量几乎没有线性解释力。
2.3.2 R² = 1
当 R² 等于 1 时，表示模型能够完全解释样本数据中的全部变异，所有观测点都落在拟合曲线上或拟合平面上。这种情况在理论上可能出现，但在真实数据中较少见，往往提示模型过于理想化或存在过拟合风险。
2.3.3 负值情形
在某些扩展定义下，决定系数可能出现负值，通常表示模型表现甚至不如简单基准模型，如直接用均值预测。负值常见于特定的非标准拟合场景，提醒使用者模型设定可能不合适。
3 相关理论基础
3.1 方差分解
决定系数的核心思想来自方差或变异的分解。它将总体波动拆分为可解释部分与误差部分，使模型评价具备清晰的数值结构。
3.1.1 总变异的来源
因变量的总变异来自多种因素，包括自变量影响、随机扰动、测量误差以及未纳入模型的潜在因素。决定系数并不区分这些来源，而是以整体比例的方式概括模型解释能力。
3.1.2 解释率的构成
解释率由模型拟合值相对于均值的偏离构成，反映了自变量所带来的系统性变化。若模型能较好捕捉数据规律，则解释率上升，残差部分下降。
3.2 与相关系数的关系
决定系数与相关系数密切相关，但二者并不完全相同。前者强调解释比例，后者更侧重线性相关强度与方向。
3.2.1 简单线性回归中的关系
在只有一个自变量的简单线性回归中，R²等于相关系数的平方。这一关系使得决定系数具有较强的直观性，也便于从相关分析直接过渡到回归解释。
3.2.2 多元回归中的差异
在多元回归中，R²不再等于任一单个相关系数的平方，而是表示多个自变量共同解释因变量变异的综合结果。因此，单独观察某个变量的相关程度，不能直接替代整体 R² 的判断。
3.3 与残差分析的关系
决定系数只能反映总体解释比例，而残差分析则进一步考察模型未解释部分的结构。两者结合，才能更全面地判断模型是否合理。
3.3.1 残差的意义
残差是观测值与拟合值之间的差异，代表模型未能捕捉到的信息。若残差随机分布且无明显模式，说明模型设定较为合适；若残差出现系统性结构，则可能提示模型形式需要调整。
3.3.2 误差结构的影响
误差的方差是否稳定、是否独立、是否近似正态，都会影响回归结果的解释。即使 R²较高，若误差结构异常，模型的统计推断仍可能不可靠。
4 回归模型中的应用
4.1 线性回归
决定系数最典型的应用场景是线性回归，用于衡量直线或平面拟合对样本数据的解释能力。
4.1.1 单变量线性回归
在单变量线性回归中，R²可直接对应自变量与因变量之间线性关系的强弱。若散点较集中地围绕回归线分布，则 R²通常较高；若数据点分散，则数值偏低。
4.1.2 多元线性回归
在多元线性回归中，R²衡量多个解释变量共同作用下的总体解释力。随着变量增加，R²往往不会下降，这也是调整后 R²被广泛使用的重要原因之一。
4.2 非线性回归
在非线性回归中，决定系数同样可用于描述拟合优度，但其解释需要结合模型形式，因为非线性关系下的平方和分解并不总是像线性情形那样简单。
4.2.1 曲线拟合中的解释力
对于曲线模型，R²可反映曲线对数据走势的贴合程度。若曲线能够较好跟随观测值的变化趋势，则解释率较高；若偏离明显，则说明模型形式可能不合适。
4.2.2 不同模型间的比较
R²常用于比较多个候选模型的拟合表现，但比较时应注意模型复杂度和适用前提。某些模型虽然 R²更高，却可能因为参数更多而不一定更优。
4.3 广义模型中的类决定系数
在逻辑回归、泊松回归等广义线性模型中，传统 R²往往难以直接套用，因此产生了多种“类决定系数”。
4.3.1 Pseudo-R²
Pseudo-R²是对决定系数思想的扩展，用于近似描述模型相对基准模型的改进程度。常见形式包括基于似然函数构造的指标，但不同定义之间数值不可直接等同。
4.3.2 适用范围与限制
类决定系数便于提供直观参考，但其含义并不完全等同于线性回归中的 R²。使用时应注明具体定义，并避免在不同软件或不同公式之间直接比较。
5 调整后决定系数
5.1 定义与目的
调整后决定系数是对普通 R²进行修正后的指标，主要用于反映在考虑变量数量后模型的真实解释力。
5.1.1 对变量数量的校正
当模型加入新的自变量时，普通 R²通常不会下降，即使新增变量贡献极小也可能略有提升。调整后 R²通过引入自由度惩罚，对这种现象进行校正。
5.1.2 防止过拟合的作用
过多变量可能使模型在样本内表现很好，但对新数据预测能力较弱。调整后 R²能在一定程度上抑制这种“样本内优化”，帮助识别更稳健的模型。
5.2 与普通 R²的比较
两者都用于衡量拟合效果，但关注重点不同。普通 R²强调整体解释比例，调整后 R²更重视模型复杂度带来的成本。
5.2.1 上升与下降规律
普通 R²随着变量增加通常不减，调整后 R²则可能上升，也可能下降。若新增变量确实带来较大解释增益，调整后 R²会上升；若变量贡献有限，则可能降低。
5.2.2 变量选择中的应用
在变量筛选、模型比较和特征工程中，调整后 R²常被用来辅助判断是否保留某个变量。它特别适合用于比较自变量数量不同的线性模型。
5.3 常见误区
调整后 R²虽然比普通 R²更稳健，但仍然不是唯一标准，也不能脱离研究目标单独判断模型优劣。
5.3.1 调整后 R²不一定更大
不少人误以为调整后 R²只是“改良版的更大数值”，实际上它可能低于普通 R²，甚至在加入变量后下降。这正是其校正作用的体现。
5.3.2 不能替代全部模型评价指标
即使调整后 R²较高，模型仍可能存在残差偏态、异方差、异常值敏感等问题。因此，它应与AIC、BIC、交叉验证和残差诊断共同使用。
6 解释与判断
6.1 如何解读数值大小
对 R² 的解读应结合学科背景、研究目的和数据特征，而不宜机械地按固定阈值判断。
6.1.1 高 R² 的含义
较高的 R²说明模型能够解释较大比例的因变量变异，通常意味着样本内拟合较好。但这并不自动等于模型具有良好的泛化能力，也不代表变量之间存在因果关系。
6.1.2 低 R²的含义
较低的 R²并不必然表示模型“无用”。在受随机因素影响较大、变量关系复杂或研究对象本身噪声较多的场景中，较低的解释率也可能具有实际研究价值。
6.2 行业与学科差异
不同领域对 R²的期待差异较大，不能脱离具体学科环境进行简单比较。
6.2.1 自然科学中的常见情况
在部分自然科学和工程问题中，数据生成机制相对稳定，R²往往较高，模型也更容易获得较强解释力。例如某些物理、化学或材料实验数据，常表现出较清晰的函数关系。
6.2.2 社会科学中的常见情况
在社会科学中，个体行为、制度环境和随机因素更复杂，R²常常不算很高。即便如此，只要模型能够揭示有意义的关系或趋势，也仍然具有研究价值。
6.3 与模型目的的关系
R²的意义还取决于模型究竟是用于预测还是用于解释。不同目标下，对解释率的重视程度并不相同。
6.3.1 预测导向
若模型主要用于预测，R²只是参考之一，更关键的是模型对新样本的表现。此时应结合测试集误差、交叉验证结果和稳定性判断。
6.3.2 解释导向
若模型目的是解释变量之间的关系，则 R²可作为模型整体解释能力的一个基础指标。但解释导向研究往往更重视理论一致性、变量含义和残差结构。
7 局限性
7.1 不能说明因果关系
决定系数只描述相关层面的解释程度，无法直接证明因果方向或因果强度。
7.1.1 相关不等于因果
即使某模型的 R²很高，也只能说明自变量与因变量之间存在较强的统计关联，不能据此断言某个变量必然导致另一个变量变化。
7.1.2 漏变量问题
如果模型遗漏了重要因素，R²的数值可能被高估或低估。遗漏变量既会影响解释率，也会影响系数估计的稳定性，因此不能仅凭 R²判断模型完整性。
7.2 不能单独评价模型
R²只能反映总体拟合程度，无法涵盖模型的全部质量特征。
7.2.1 异常值影响
少数异常值可能显著改变回归线的位置，从而影响 R²。某些情况下，表面上很高的解释率实际上是由极端观测点拉动的。
7.2.2 非线性关系的误判
当真实关系是非线性时，线性模型可能得到偏低的 R²，但这并不表示变量之间没有关系。相反，若模型形式错误，高 R²也可能掩盖结构性偏差。
7.3 可能被误用的场景
在实际应用中，决定系数容易被过度简化使用，甚至成为唯一评价标准。
7.3.1 只看 R²忽略残差
如果只关注 R²而忽略残差图、残差分布和诊断检验，可能会错过模型设定问题。一个“看起来很漂亮”的数值，并不保证模型适合实际用途。
7.3.2 过度追求高拟合
一味追求更高 R²可能导致模型越来越复杂，甚至失去简洁性和可解释性。合理建模强调平衡，而非单纯把数值推到尽可能高。
8 扩展概念
8.1 假设检验中的联系
决定系数与回归模型的整体显著性检验存在紧密联系，尤其在经典线性回归中体现明显。
8.1.1 F 检验与整体显著性
F 检验常用于判断回归模型整体是否显著，即自变量集合是否对因变量具有总体解释作用。R²越大，模型整体显著的可能性通常越高，但二者并非完全等价。
8.1.2 显著性与解释率的区别
显著性关注的是“是否存在统计学上可检测的效应”，而解释率关注“效应能解释多少变异”。样本量较大时，较小的解释率也可能显著；样本量较小时，解释率不低也未必达到显著。
8.2 模型选择指标
在实际建模中，R²常与其他模型选择标准并列出现，用于综合判断。
8.2.1 AIC 与 BIC 的对比
AIC 和 BIC 都通过惩罚模型复杂度来辅助选择模型。与 R²不同，它们更强调在拟合程度与参数数量之间的平衡，因此常用于比较非嵌套模型或更复杂的统计模型。
8.2.2 交叉验证与泛化能力
交叉验证通过反复划分训练集和验证集，评估模型在新数据上的表现。它更接近泛化能力的检验，因此常被视为比单纯样本内 R²更稳健的补充。
8.3 其他相近指标
围绕模型解释力和误差表现，还存在许多与 R²相近但侧重点不同的指标。
8.3.1 解释率类指标
解释率类指标通常试图概括模型对数据波动的说明能力，适合用于描述拟合优度。不过，不同定义之间口径不同，使用时应明确公式来源。
8.3.2 误差类指标
误差类指标如均方误差、平均绝对误差等，更直接反映预测偏差大小。与 R²相比，它们更适合衡量“差了多少”，而不是“解释了多少”。
9 计算与软件实现
9.1 手工计算步骤
在基础统计教学中，R²常通过手工计算来理解其构成与含义。
9.1.1 数据整理
首先需要收集观测值、拟合值和均值，并确认数据无缺失或已按规则处理。只有在数据结构清晰的前提下，平方和计算才有意义。
9.1.2 平方和求解
接着分别计算总平方和、回归平方和与残差平方和，再代入公式求得 R²。通过这一过程，可以直观看到“总变异被分解为哪几部分”。
9.2 常用统计软件输出
多数统计软件都会在回归结果中直接给出 R²和调整后 R²，便于用户快速判断模型拟合程度。
9.2.1 回归结果表中的 R²
在回归输出表里，R²通常与样本量、F 值和显著性水平一同展示。用户可以据此初步了解模型解释力，但仍需结合其他诊断信息。
9.2.2 调整后 R²的展示
很多软件会同时报告调整后 R²，以便在多变量建模时提供更公平的比较基础。对于变量较多的模型，这一指标往往更值得关注。
9.3 编程实现
在现代数据分析中，R²通常可由编程语言自动计算。
9.3.1 R 语言中的计算
R 语言中常通过回归函数拟合模型后，在摘要结果中直接读取 R²与调整后 R²。也可以基于观测值与预测值手动计算平方和，以验证结果。
9.3.2 Python 中的计算
Python 的统计与机器学习库通常也支持输出决定系数。无论是使用回归接口还是评价函数，核心逻辑都围绕“解释平方和与总平方和的比例”展开。
10 历史与发展
10.1 概念起源
决定系数的发展与回归分析和方差分析的形成密切相关。
10.1.1 早期回归分析中的使用
在早期回归研究中，研究者已经开始关注模型对观测变动的解释程度。决定系数逐渐成为衡量拟合质量的标准之一，并因其简单直观而广泛传播。
10.1.2 方差分析的影响
方差分析中对总变异、组间变异和组内变异的分解思想，为决定系数的概念提供了重要基础。解释率的表达方式，也与这种变异分解框架高度一致。
10.2 统计学中的演变
随着统计建模方法的扩展，决定系数的使用场景和解释方式也不断变化。
10.2.1 从简单模型到复杂模型
从单变量线性回归到多元回归，再到非线性模型和广义模型，R²的定义和计算形式经历了不断扩展。不同模型对这一指标的依赖程度也各不相同。
10.2.2 从单一指标到综合评价
现代统计分析更强调综合判断，不再将 R²视为唯一标准。它逐渐成为模型评价体系中的基础部分，与显著性检验、误差指标和验证方法共同使用。
10.3 现代研究中的地位
在今天，决定系数仍是最常见、最基础的回归统计量之一。
10.3.1 教学中的基础概念
在统计学教学中，R²通常作为理解回归、方差分解和模型解释力的入门概念。由于公式清晰、含义直观，它常被用作连接理论与实践的示例。
10.3.2 实务中的常用指标
在科研、工程、经济分析和数据建模中，R²仍是报告结果时频繁出现的指标。尽管它有局限性，但因便于比较、易于解释，依然具有很高的实用价值。