线性回归拟合优度为多少比较合适
为什么用可决系数能够度量回归方程对样本数据的拟合程度 【可决系数】可决系数是测定多个变量间相关关系密切程度的统计分析指标，它也是反映多个自变量对因变量的联合的影响程度.可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高.观察点在回归直线附近越密集.可决系数的取值范围在0到1之间，它是一个非负统计量.随着抽样的不同而不同，既是随样本而变动的统计量.可决系数有如下特点：1.可决系数是非负的统计量2.可决系数的取值范围：0
线性回归的拟合方程 一般来2113说，线性回归都可以通过最5261小二乘法求出其方程，可4102以计算出对于y=bx+a的直线，其经验拟合方程如1653下：其相关系数（即通常说的拟合的好坏）可以用以下公式来计算：虽然不同的统计软件可能会用不同的格式给出回归的结果，但是它们的基本内容是一致的。以STATA的输出为例来说明如何理解回归分析的结果。在这个例子中，测试读者的性别（gender），年龄（age），知识程度（know）与文档的次序（noofdoc）对他们所觉得的文档质量(relevance)的影响。输出：Source|SS df MS Number of obs=242F(4，237)=2.76Model|14.0069855 4 3.50174637 Prob>；F=0.0283Residual|300.279172 237 1.26700072 R-squared=0.0446Adj R-squared=0.0284Total|314.286157 241 1.30409194 Root MSE=1.1256relevance|Coef.Std.Err.t P>；|t|Betagender|-.2111061.1627241-1.30 0.196-.0825009age|-.1020986.0486324-2.10 0.037-.1341841know|.0022537.0535243 0.04 0.966.0026877noofdoc|-.3291053.1382645-2.38 0.018-.1513428cons|7.334757 1.072246 6.84 0.000.其中，代表y的平方和；是相关系数，代表变异被回归直线解释的比例；就是不能被回归直线解释的变异，即。
判定一元线性回归方程拟合优度的判定系数R的取值范围 （1）计算残差平方和Q=∑(y-y*)^2和∑y^2，其中，y代表的是实测值，y*代表的是预测值；（2）拟合度指标RNew=1-(Q/∑y^2)^(1/2)对线性方程：R^2=∑(y预测-y)^2/∑(y实际-y)^。
急急急！！！！为什么可决系数可以度量模型的拟优合度？在简单线性回归中它与对参数的t检验的关系是什么？ 可决系数是回归平方和除以总平方和。总平方和=回归平方和+残差平方和平方和可以理解成数据本身所来含的信息量。总平方和就是所源有数据一共包含的信息量，那么回归平方和，就是你用线性回归方程能代表的信息量。自然我们希望回归平方和越大越好，如果可决系数等于1自然就是回归方程可以代表原来数据的所有信息。所以可决系数可以作为我们初步对模型的好坏判断知。参数t检验是判断这个参数是否显著不为0。如果无法否定原假设”参数等于0“，那么可以认为这个参数后面的跟道着的x可以从模型中移除了。
线性回归方程中相关系数r=R2 R2就是相关系数的平方，R在一元线性方程就直接是因变量自变量的相关系数，多元则是复相关系数
在多元线性回归模型中，为什么要对样本可决系数进行调整？
