Coeficiente de determinación (R²)
Un estadístico que indica la bondad de ajuste de un modelo, que representa la proporción de la varianza en la variable dependiente que es predecible a partir de la(s) variable(s) independiente(s). Un R² de 1 indica un ajuste perfecto, mientras que 0 indica que no hay relación lineal. Se calcula como [latex]R^2 equiv 1 – frac{SS_{res}}{SS_{tot}}[/latex], donde [latex]SS_{res}[/latex] es la suma de cuadrados de los residuos.
El coeficiente de determinación, R cuadrado, es una métrica clave para evaluar modelos de regresión. Proporciona una medida intuitiva de cuánta variabilidad en el resultado es capturada por el modelo. Se deriva de dos componentes clave. El primero es la suma total de cuadrados ([latex]SS_{tot} = sum_i (y_i – bar{y})^2[/latex]), que mide la varianza total en la variable dependiente [latex]y[/latex]. El segundo es la suma residual de cuadrados ([latex]SS_{res} = sum_i (y_i – hat{y}_i)^2[/latex]), que mide la varianza que no explica el modelo, donde [latex]hat{y}_i[/latex] es el valor predicho.
La fórmula [latex]R^2 = 1 – SS_{res}/SS_{tot}[/latex] puede interpretarse como el porcentaje de la varianza total que es ‘explicado’ por el modelo de regresión. Por ejemplo, un R² de 0,75 significa que el 75% de la variabilidad en el resultado puede ser explicada por los predictores en el modelo. En la regresión lineal simple, R² es simplemente el cuadrado del coeficiente de correlación de Pearson’s entre los valores observados y predichos.
Sin embargo, el R² presenta una limitación importante: nunca disminuye al añadir una nueva variable predictora al modelo, incluso si esta es irrelevante. Esto puede ser engañoso y fomentar el sobreajuste. Para contrarrestarlo, se suele utilizar el R² ajustado. Este valor modifica el R² para tener en cuenta el número de predictores del modelo, lo que proporciona una medida más precisa de la bondad del ajuste para la regresión múltiple.
UNESCO Nomenclature: 1209
- Estadísticas
Precursores
- Concepto de varianza y desviación estándar
- Método de mínimos cuadrados
- coeficiente de correlación producto-momento de Pearson
- Principios del análisis de varianza (ANOVA)
Aplicaciones
- Evaluación del desempeño de los modelos predictivos en ciencia e ingeniería
- Selección de modelos en econometría y ciencias sociales
- cuantificar la proporción de varianza explicada por un conjunto de predictores
- Validación de modelos financieros para la evaluación de riesgos
Ideas para posibles innovaciones
Debido al bloqueo del tráfico generado por bots, que actualmente supera los 40.000 al día, este contenido está reservado para los miembros de la comunidad.
> Iniciar sesión < o > Registrarse < (100% gratis) para acceder a esto, al igual que a todo el demás contenido y herramientas restringidos.
Relacionado con: r-cuadrado, coeficiente de determinación, bondad de ajuste, evaluación del modelo, varianza explicada, suma de cuadrados, diagnóstico de regresión, significancia estadística, r-cuadrado ajustado, correlación.