Bepalingscoëfficiënt

Wat is de bepalingscoëfficiënt?

De bepalingscoëfficiënt is een maatstaf die wordt gebruikt in statistische analyse en die beoordeelt hoe goed een model toekomstige resultaten verklaart en voorspelt. Het is een indicatie van het niveau van verklaarde variabiliteit in de gegevensverzameling. De bepalingscoëfficiënt, ook algemeen bekend als "R-kwadraat", wordt gebruikt als richtlijn om de nauwkeurigheid van het model te meten.

Een manier om dit cijfer te interpreteren is om te zeggen dat de variabelen in een bepaald model ongeveer x% van de waargenomen variatie verklaren. Dus als de R2 = 0, 50, kan ongeveer de helft van de waargenomen variatie worden verklaard door het model.

01:58

R-Squared

Belangrijkste leerpunten

• De bepalingscoëfficiënt is een complex idee gericht op de statistische analyse van een toekomstig gegevensmodel.
• De bepalingscoëfficiënt wordt gebruikt om uit te leggen hoeveel variabiliteit van de ene factor kan worden veroorzaakt door de relatie met een andere factor.

Inzicht in de bepalingscoëfficiënt

De bepalingscoëfficiënt wordt gebruikt om uit te leggen hoeveel variabiliteit van de ene factor kan worden veroorzaakt door de relatie met een andere factor. Het is sterk afhankelijk van trendanalyses en wordt weergegeven als een waarde tussen 0 en 1.

Hoe dichter de waarde bij 1 ligt, hoe beter de fit of relatie tussen de twee factoren. De bepalingscoëfficiënt is het kwadraat van de correlatiecoëfficiënt, ook bekend als "R", waardoor deze de mate van lineaire correlatie tussen twee variabelen kan weergeven.

Deze correlatie staat bekend als de 'goedheid van fit'. Een waarde van 1, 0 duidt op een perfecte pasvorm, en het is dus een zeer betrouwbaar model voor toekomstige voorspellingen, wat aangeeft dat het model alle waargenomen variaties verklaart. Een waarde van 0 daarentegen geeft aan dat het model de gegevens helemaal niet nauwkeurig modelleert. Voor een model met verschillende variabelen, zoals een meervoudig regressiemodel, is de aangepaste R2 een betere bepalingscoëfficiënt. In de economie wordt een R2-waarde boven 0, 60 als de moeite waard beschouwd.

Voordelen van het analyseren van de bepalingscoëfficiënt

De bepalingscoëfficiënt is het kwadraat van de correlatie tussen de voorspelde scores in een gegevensset versus de werkelijke set scores. Het kan ook worden uitgedrukt als het kwadraat van de correlatie tussen X- en Y-scores, waarbij de X de onafhankelijke variabele is en de Y de afhankelijke variabele.

Ongeacht de weergave betekent een R-kwadraat gelijk aan 0 dat de afhankelijke variabele niet kan worden voorspeld met behulp van de onafhankelijke variabele. Omgekeerd betekent dit dat als het gelijk is aan 1, de afhankelijkheid van een variabele altijd wordt voorspeld door de onafhankelijke variabele.

Een bepalingscoëfficiënt die binnen dit bereik valt, meet de mate waarin de afhankelijke variabele wordt voorspeld door de onafhankelijke variabele. Een R-kwadraat van 0, 20 betekent bijvoorbeeld dat 20% van de afhankelijke variabele wordt voorspeld door de onafhankelijke variabele.

De goedheid van de aanpassing, of de mate van lineaire correlatie, meet de afstand tussen een gepaste lijn op een grafiek en alle gegevenspunten die over de grafiek zijn verspreid. De strakke set gegevens heeft een regressielijn die heel dicht bij de punten ligt en een hoge mate van aanpassing heeft, wat betekent dat de afstand tussen de lijn en de gegevens erg klein is. Een goede pasvorm heeft een R-vierkant in de buurt van 1.

R-kwadraat kan echter niet bepalen of de gegevenspunten of voorspellingen bevooroordeeld zijn. Het vertelt de analist of gebruiker ook niet of de bepalingscoëfficiënt goed is of niet. Een laag R-kwadraat is bijvoorbeeld niet slecht en het is aan de persoon om een ​​beslissing te nemen op basis van het R-kwadraat.

De bepalingscoëfficiënt mag niet naïef worden geïnterpreteerd. Als bijvoorbeeld het R-kwadraat van een model wordt gerapporteerd op 75%, is de variantie van de fouten 75% minder dan de variantie van de afhankelijke variabele en is de standaardafwijking van de fouten 50% minder dan de standaardafwijking van de afhankelijke variabel. De standaardafwijking van de fouten van het model is ongeveer een derde van de grootte van de standaardafwijking van de fouten die u zou krijgen met een constant-only model.

Ten slotte, zelfs als een R-kwadraatwaarde groot is, is er mogelijk geen statistische significantie van de verklarende variabelen in een model, of kan de effectieve grootte van deze variabelen praktisch zeer klein zijn.

Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.

Gerelateerde termen

Wat is een foutterm? Een foutterm wordt gedefinieerd als een variabele in een statistisch model, die wordt gemaakt wanneer het model niet de werkelijke relatie tussen de onafhankelijke en afhankelijke variabelen weergeeft. meer Hoe meervoudige lineaire regressie werkt Meervoudige lineaire regressie (MLR) is een statistische techniek die verschillende verklarende variabelen gebruikt om de uitkomst van een responsvariabele te voorspellen. meer Line of Best Fit De best passende lijn is een uitvoer van regressieanalyse die de relatie tussen twee of meer variabelen in een gegevensset weergeeft. meer R-kwadraat R-kwadraat is een statistische maat die het deel van de variantie voor een afhankelijke variabele weergeeft, dat wordt verklaard door een onafhankelijke variabele. meer Hoe de kleinste kwadratenmethode werkt De kleinste kwadratenmethode is een statistische techniek om de best passende lijn voor een model te bepalen, gespecificeerd door een vergelijking met bepaalde parameters voor waargenomen gegevens. meer Heteroskedasticiteit In de statistiek komt heteroskedasticiteit voor wanneer de standaardafwijkingen van een variabele, die gedurende een bepaalde tijd worden gemonitord, niet constant zijn. meer partnerlinks