The question is often asked: "what'

The question is often asked: "what's a good value for R-squared?" Sometimes the
claim is even made: "a model is not useful unless its R-squared is at least x", where x
may be some fraction greater than 50%. By this standard, the model we fitted to the
differenced, deflated, and seasonally adjusted auto sales series is disappointing: its Rsquared
is less than 25%. So what IS a good value for R-squared? The correct answer
to this question is polite laughter followed by: "That depends!"
The term R-squared refers to the fraction of variance explained by a model, but--what
is the relevant variance that demands explanation? We have seen by now that there
are many transformations that may be applied to a variable before it is used as a
dependent variable in a regression model: deflation, logging, seasonal adjustment,
differencing. All of these transformations will change the variance and may also
change the units in which variance is measured. Deflation and logging may
dramatically change the units of measurement, while seasonal adjustment and
differencing generally reduce the variance significantly when properly applied.
Therefore, if the dependent variable in the regression model has already been
transformed in some way, it is possible that much of the variance has already been
"explained" merely by the choice of an appropriate transformation. Seasonal
adjustment obviously tries to explain the seasonal component of the original variance,
while differencing tries to explain changes in the local mean of the series over time.
With respect to which variance should R-squared be measured--that of the original
series, the deflated series, the seasonally adjusted series, and/or the differenced series?
This question does not always have a clear-cut answer, and as we will see below,
there are usually several reference points that may be of interest in any particular case

ผลลัพธ์ (ไทย) 1:

มักจะถามคำถาม: "สิ่งมีค่าที่เหมาะสมสำหรับลอการิทึม? " บางครั้งการแม้จะร้อง: "แบบไม่มีประโยชน์เว้นแต่จะเป็นลอการิทึมที่ x ", ที่ xได้เศษบางมากกว่า 50% โดยมาตรฐานนี้ รุ่นเราติดตั้งไปdifferenced, deflated และปรับปรุง seasonally อัตโนมัติขายชุดเป็นย่อม: Rsquared ของไม่น้อยกว่า 25% ดังนั้น สิ่งดีสำหรับลอการิทึม คำตอบที่ถูกต้องคำถามนี้ สุภาพหัวเราะตามด้วย: "ขึ้น"คำลอการิทึมหมายถึงเศษส่วนของความแปรปรวนที่อธิบายตามแบบ แต่ - อะไรคือผลต่างที่เกี่ยวข้องที่ต้องการคำอธิบาย เราได้เห็นตอนที่มีมีหลายแปลงที่อาจนำไปใช้กับตัวแปรก่อนใช้เป็น การขึ้นอยู่กับตัวแปรในแบบจำลองถดถอย: ภาวะเงินฝืด การบันทึก การ ปรับตามฤดูกาลdifferencing แปลงเหล่านี้จะเปลี่ยนแปลงค่าความแปรปรวน และอาจจะเปลี่ยนหน่วยการวัดต่าง ภาวะเงินฝืดและบันทึกอาจกรณีเปลี่ยนแปลงหน่วยวัด ในขณะที่ปรับปรุงตามฤดูกาล และdifferencing โดยทั่วไปลดความแปรปรวนอย่างมีนัยสำคัญเมื่อใช้อย่างถูกต้องดังนั้น ถ้าขึ้นอยู่กับตัวแปรในแบบจำลองถดถอยได้แล้วแปลงในบางวิธี เป็นที่มากของผลต่างได้แล้ว"อธิบาย" แต่ โดยที่การแปลงที่เหมาะสม ตามฤดูกาลปรับชัดพยายามอธิบายส่วนประกอบตามฤดูกาลของความแปรปรวนเดิมในขณะที่พยายามอธิบายการเปลี่ยนแปลงในท้องถิ่น differencing หมายของชุดเวลาเกี่ยวกับผลต่างที่ควรลอการิทึมสามารถวัด - ที่เดิมชุด ชุด deflated ชุดปรับปรุง seasonally และ/หรือชุด differencedคำถามนี้ไม่มีคำตอบที่แน่ชัด และเราจะเห็นด้านล่างมักจะมีจุดอ้างอิงหลายที่อาจสนใจในกรณีใด ๆ

ผลลัพธ์ (ไทย) 2:

คำถามที่มักจะถามว่า "สิ่งที่เป็นความคุ้มค่าสมกับ R-Squared?" บางครั้งการเรียกร้องที่ทำแม้กระทั่ง "แบบไม่เป็นประโยชน์เว้นแต่ R-กำลังสองของมันคืออย่างน้อย x" ที่ x อาจจะมีบางส่วนมากกว่า 50% โดยมาตรฐานนี้รูปแบบที่เราพอดีกับdifferenced, กิ่วและปรับฤดูกาลชุดยอดขายรถยนต์เป็นที่น่าผิดหวัง: Rsquared มันคือน้อยกว่า25% ดังนั้นสิ่งที่เป็นคุ้มค่าสมกับ R-squared? คำตอบที่ถูกต้องสำหรับคำถามนี้คือเสียงหัวเราะสุภาพตามด้วย "ที่ขึ้นอยู่!" คำว่า R-แควร์หมายถึงส่วนของความแปรปรวนอธิบายได้ด้วยรูปแบบ แต่ - สิ่งที่เป็นความแตกต่างที่เกี่ยวข้องที่ต้องการคำอธิบาย? เราได้เห็นโดยขณะนี้ว่ามีมีการเปลี่ยนแปลงหลายอย่างที่อาจจะนำไปใช้กับตัวแปรก่อนที่จะนำมาใช้เป็นตัวแปรในแบบจำลองถดถอย: ภาวะเงินฝืดการเข้าสู่ระบบการปรับตามฤดูกาล, ความแตกต่างของ ทั้งหมดของการเปลี่ยนแปลงเหล่านี้จะเปลี่ยนความแปรปรวนและอาจจะมีการเปลี่ยนแปลงหน่วยที่แปรปรวนเป็นวัด ภาวะเงินฝืดและการตัดไม้อาจเปลี่ยนแปลงอย่างรวดเร็วหน่วยของการวัดในขณะที่การปรับตามฤดูกาลและความแตกต่างกันโดยทั่วไปลดความแปรปรวนอย่างมีนัยสำคัญเมื่อนำไปใช้อย่างถูกต้อง. ดังนั้นถ้าตัวแปรในแบบจำลองถดถอยได้ถูกเปลี่ยนในทางใดทางหนึ่งก็เป็นไปได้ที่มากของความแปรปรวนได้รับอยู่แล้ว"อธิบาย" เท่านั้นโดยทางเลือกของการเปลี่ยนแปลงที่เหมาะสม ฤดูกาลปรับชัดพยายามที่จะอธิบายองค์ประกอบตามฤดูกาลของความแปรปรวนเดิมในขณะที่differencing พยายามที่จะอธิบายการเปลี่ยนแปลงในค่าเฉลี่ยในท้องถิ่นของซีรีส์ในช่วงเวลา. ด้วยความเคารพที่แปรปรวนควร R-แควร์จะวัด - ที่ของเดิมชุดที่กิ่วชุดชุดปรับฤดูกาลแล้วและ / หรือชุด differenced? คำถามนี้ไม่เคยมีคำตอบที่ชัดเจนและในขณะที่เราจะเห็นด้านล่างมักจะมีจุดอ้างอิงหลายอย่างที่อาจเป็นที่สนใจโดยเฉพาะอย่างยิ่งในกรณีใด ๆ

ผลลัพธ์ (ไทย) 3:

คำถามที่มักจะถูกถาม : " อะไรคือค่าที่ดีสำหรับ r-squared ? " บางครั้งเรียกร้อง ทำให้ " แบบไม่ได้ประโยชน์เว้นแต่ r-squared อย่างน้อย X " ที่จ.อาจจะมีสัดส่วนมากกว่า 50% โดยมาตรฐานนี้ โมเดลที่เราติดตั้งเพื่อdifferenced กิ่ว , และ , ปรับปรุง seasonally ขายอัตโนมัติชุดผิดหวัง rsquared : ของน้อยกว่า 25% ดังนั้นสิ่งที่เป็นค่าที่ดีสำหรับ r-squared ? คำตอบที่ถูกต้องคำถามนี้เป็นคนสุภาพ เสียงหัวเราะตามด้วย " ที่ขึ้นอยู่กับ "คำ r-squared หมายถึงเศษเสี้ยวของความแปรปรวนอธิบายโดยโมเดล แต่ . . .คือความแปรปรวนที่เกี่ยวข้องต้องการคำอธิบาย ? เราได้เห็นแล้วว่ามีมีหลายแปลง ที่อาจจะใช้กับตัวแปรก่อนที่จะใช้เป็นขึ้นอยู่กับตัวแปรในแบบจำลองการถดถอย : ภาวะเงินฝืด , การเข้าสู่ระบบ , การปรับตามฤดูกาลวิ . ทั้งหมดของการเปลี่ยนแปลงเหล่านี้จะเปลี่ยนแปลงแปรปรวนและอาจยังเปลี่ยนหน่วยที่แปรปรวนคือวัด ภาวะเงินฝืดและเข้าสู่ระบบอาจสามารถเปลี่ยนหน่วยการวัด ในขณะที่การปรับตามฤดูกาลและปกติโดยทั่วไปลดความแปรปรวนอย่างมากเมื่อถูกใช้ดังนั้น ถ้าตัวแปรในตัวแบบการถดถอยได้เปลี่ยนในบางวิธี เป็นไปได้มากของความแปรปรวนได้" อธิบาย " แค่ โดยทางเลือกของการเปลี่ยนแปลงที่เหมาะสม ตามฤดูกาลการปรับชัดพยายามที่จะอธิบายส่วนประกอบความแปรปรวนของฤดูกาลเดิมในขณะที่ข้อมูลพยายามที่จะอธิบายการเปลี่ยนแปลงในท้องถิ่นหมายถึงชุดตลอดเวลาด้วยความเคารพในความ r-squared ซึ่งควรวัด . . ของเดิมชุด , กิ่วชุด , ชุดปรับฤดูกาลและ / หรือชุด differenced ?คำถามนี้ไม่เคยมีคำตอบที่ชัดเจน และเราจะเห็นด้านล่างมักจะมีการอ้างอิงหลายจุดที่อาจเป็นประโยชน์ในกรณีใด ๆโดยเฉพาะ