วิธีการคำนวณ r-squared ที่ปรับแล้วใน excel

R-squared ซึ่งมักเขียน ^{ว่า R2} คือสัดส่วนของความแปรปรวนใน ตัวแปรตอบสนอง ที่สามารถอธิบายได้ด้วยตัวแปรทำนายใน แบบจำลองการถดถอยเชิงเส้น

ค่าของ R กำลังสองสามารถอยู่ในช่วงตั้งแต่ 0 ถึง 1 ค่า 0 บ่งชี้ว่าตัวแปรตอบสนองไม่สามารถอธิบายได้ด้วยตัวแปรทำนายเลย ในขณะที่ค่า 1 บ่งชี้ว่าตัวแปรตอบสนองสามารถอธิบายได้ด้วยตัวแปรทำนาย ผู้ทำนายอธิบายได้ครบถ้วนไม่มีข้อผิดพลาด ตัวแปร

R-squared ที่ปรับปรุงแล้ว คือ R-squared เวอร์ชันแก้ไขที่ปรับตามจำนวนตัวทำนายในแบบจำลองการถดถอย มีการคำนวณดังนี้:

ปรับแล้ว R ² = 1 – [(1-R ² )*(n-1)/(nk-1)]

ทอง:

• R ² : R ² ของรุ่น
• n : จำนวนการสังเกต
• k : จำนวนตัวแปรทำนาย

เนื่องจาก ^R2 จะเพิ่มขึ้นเสมอเมื่อคุณเพิ่มตัวทำนายให้กับโมเดล ^R2 ที่ปรับปรุงแล้วจึงสามารถใช้เป็นตัวชี้วัดที่บอกคุณว่าแบบจำลองนั้นมีประโยชน์เพียงใด โดยปรับตามจำนวนตัวทำนายในแบบจำลอง

บทช่วยสอนนี้ให้ตัวอย่างทีละขั้นตอนของวิธีคำนวณ ^R2 ที่ปรับปรุงแล้วสำหรับแบบจำลองการถดถอยใน R

ขั้นตอนที่ 1: สร้างข้อมูล

สำหรับตัวอย่างนี้ เราจะสร้างชุดข้อมูลที่มีตัวแปรต่อไปนี้สำหรับนักเรียน 12 คน:

• ผลสอบ
• ชั่วโมงใช้เวลาเรียน
• ชั้นเรียนปัจจุบัน

ขั้นตอนที่ 2: ติดตั้งโมเดลการถดถอย

ต่อไป เราจะใส่แบบจำลอง การถดถอยเชิงเส้นพหุคูณ โดยใช้ คะแนนสอบ เป็น ตัวแปรตอบสนอง และ ใช้ชั่วโมงเรียน และ เกรดปัจจุบัน เป็นตัวแปรทำนาย

เพื่อให้พอดีกับโมเดลนี้ คลิกแท็บ ข้อมูล บริเวณ Ribbon ด้านบน จากนั้นคลิก การวิเคราะห์ข้อมูล :

หากไม่มีตัวเลือกนี้ คุณต้อง โหลด Data Analysis ToolPak ก่อน

ในหน้าต่างที่ปรากฏขึ้น ให้เลือก การถดถอย ในหน้าต่างใหม่ที่ปรากฏขึ้น ให้ระบุข้อมูลต่อไปนี้:

เมื่อคุณคลิก OK ผลลัพธ์ของโมเดลการถดถอยจะปรากฏขึ้น:

ขั้นตอนที่ 3: ตีความค่า R-squared ที่ปรับแล้ว

R-squared ที่ปรับแล้วของโมเดลการถดถอยคือตัวเลขที่อยู่ถัดจาก R-squared ที่ปรับ แล้ว :

ค่า R-squared ที่ปรับแล้วสำหรับรุ่นนี้กลายเป็น 0.946019

ค่านี้สูงมาก ซึ่งบ่งชี้ว่าตัวแปรตัวทำนาย ชั่วโมงเรียน และ เกรดปัจจุบัน สามารถทำนาย คะแนนสอบ ได้ดี

แหล่งข้อมูลเพิ่มเติม

ค่า R-กำลังสองที่ดีคืออะไร?
วิธีการคำนวณ R-squared ที่ปรับแล้วใน R
วิธีการคำนวณ R-squared ที่ปรับแล้วใน Python