R平方与相关系数的区别是什么？

R平方与相关系数的区别

很多人都混淆了R平方和相关系数的概念，认为R平方就是相关系数。实际上，两者是不同的统计指标，用途也不同。

R平方 (R²)，也称为决定系数，用于衡量线性回归模型的拟合优度。它表示被模型解释的因变量方差的比例，取值范围在0到1之间。

• 0 表示模型无法解释因变量的方差，即模型拟合效果很差。
• 1 表示模型能够完全解释因变量的方差，即模型拟合效果非常好。

R² 的计算公式如下：

R² = 1 - (SSE / SST)

其中：

• SSE 是残差平方和 (Sum of Squared Errors)，表示模型预测值与实际观测值之间的差异的平方的总和。
• SST 是总平方和 (Total Sum of Squares)，表示因变量观测值与因变量均值之间的差异的平方的总和。

相关系数 (correlation coefficient) 用于衡量两个变量之间线性关系的强度和方向，常见的有皮尔逊相关系数 (Pearson correlation coefficient) 和斯皮尔曼相关系数 (Spearman's rank correlation coefficient)。相关系数的取值范围在-1到1之间。

• 1 表示完全正相关，即一个变量增加，另一个变量也增加。
• -1 表示完全负相关，即一个变量增加，另一个变量减少。
• 0 表示无关，即两个变量之间没有线性关系。

总结:

• R² 用于评估线性回归模型的拟合优度，衡量模型对数据的解释能力。
• 相关系数用于衡量两个变量之间线性关系的强度和方向，可以是任何关系，不局限于线性回归。

希望通过本文的解释，你能够清楚地了解R平方和相关系数的区别，并在实际应用中选择合适的指标。