So, what is a good value for R-squa

So, what is a good value for R-squared? It depends on how you measure it! If you
measure it as a percentage of the variance of the "original" (e.g., deflated but
otherwise untransformed) series, then a simple time series model may achieve an Rsquared
above 90%. On the other hand, if you measure R-squared as a percentage of a
properly stationarized series, then an R-squared of 25% may be quite respectable. (In
fact, an R-squared of 10% or even as little as 5% may be statistically significant in
some applications, such as predicting stock returns.) If you calculate R-squared as a
percentage of the variance in the errors of the best time series model that can be
explained by adding exogenous regressors, you may be disillusioned at how small this
percentage is! Here it was less than 4%, although this was technically a "statistically
significant" reduction, since the coefficients of the additional regressors were
significantly different from zero.

ผลลัพธ์ (ไทย) 1:

ดังนั้น สิ่งสำหรับลอการิทึม ขึ้นอยู่กับวิธีที่คุณวัด ถ้าคุณวัดเป็นเปอร์เซ็นต์ของความแปรปรวนของ "ต้นฉบับ" (เช่น deflated แต่หรือ untransformed) ชุดแล้วแบบชุดง่ายเวลาอาจบรรลุเป็น Rsquaredด้านบน 90% ในทางกลับกัน ถ้าคุณวัดลอการิทึมเป็นเปอร์เซ็นต์ของการอย่าง stationarized ชุด เป็นลอการิทึมของ 25% อาจ เป็นอย่างมาก (การลอการิทึม ของ 10% หรือแม้แต่น้อยเป็น 5% อาจเป็นความจริง อย่างมีนัยสำคัญทางสถิติในโปรแกรมประยุกต์บางโปรแกรม เช่นคาดการณ์หุ้นกลับ) ถ้าคุณคำนวณลอการิทึมเป็นการเปอร์เซ็นต์ของผลต่างในข้อผิดพลาดของเวลาชุดรูปแบบที่สามารถอธิบาย โดยการเพิ่ม regressors บ่อย คุณอาจ disillusioned ที่เล็กว่านี้เปอร์เซ็นต์เป็น ที่นี่มีน้อยกว่า 4% แม้ว่าเทคนิคการ "ทางสถิติลดลงอย่างมีนัยสำคัญ" เนื่องจากสัมประสิทธิ์ของ regressors เพิ่มเติมได้อย่างมีนัยสำคัญแตกต่างกันจากศูนย์

ผลลัพธ์ (ไทย) 2:

ดังนั้นสิ่งที่เป็นคุ้มค่าสมกับ R-squared? มันขึ้นอยู่กับวิธีการที่คุณวัดได้! หากคุณวัดเป็นเปอร์เซ็นต์ของความแปรปรวนของ "ต้นฉบับ" (เช่นกิ่ว แต่อย่างอื่นuntransformed) ชุดแล้วรูปแบบอนุกรมเวลาง่ายอาจบรรลุ Rsquared สูงกว่า 90% ในทางกลับกันถ้าคุณวัด R-squared เป็นร้อยละของเป็นชุดstationarized ถูกต้องแล้ว R-squared 25% อาจจะเป็นที่นับถือมากทีเดียว (ในความเป็นจริง R-squared 10% หรือแม้กระทั่งเป็นเพียง 5% อาจจะมีนัยสำคัญทางสถิติในการใช้งานบางอย่างเช่นการคาดการณ์ผลตอบแทนหุ้น.) ถ้าคุณคำนวณ R-squared เป็นร้อยละของความแปรปรวนในข้อผิดพลาดของเวลารูปแบบชุดที่ดีที่สุดที่สามารถอธิบายได้ด้วยการเพิ่ม regressors ภายนอกคุณอาจจะไม่แยแสที่วิธีการนี้มีขนาดเล็กร้อยละเป็น! นี่มันก็น้อยกว่า 4% ถึงแม้นี่จะเป็นเทคนิคเป็น"สถิติที่ลดลงอย่างมีนัยสำคัญ" เนื่องจากค่าสัมประสิทธิ์ของ regressors เพิ่มเติมได้อย่างมีนัยสำคัญที่แตกต่างจากศูนย์