8.4 模型评价

1. SER¶

回归标准误（SER）是指对回归系数的标准误。在统计学中，标准误是一个用于衡量样本统计量与总体统计量之间差异的指标。对于回归分析中的回归系数，标准误可以帮助我们评估回归系数的稳定性和可靠性。

对于简单线性回归模型，回归标准误可以通过下式计算得到：

其中：

• $y_i$ 表示第 $i$ 个观测值的因变量值；

• $\hat{y}_i$ 表示第 $i$ 个观测值的预测值（根据回归方程预测的值）；

• $n$ 表示样本数量。

回归标准误的意义在于：

• 它是回归系数估计值的标准差，用于评估回归系数的稳定性和精确度。

• 它可以用于构建置信区间和进行假设检验，例如t检验。

• 通过比较不同模型的回归标准误，可以帮助我们选择最合适的模型。

总之，回归标准误是回归分析中一个重要的指标，用于评估回归系数的可靠性和模型的拟合效果。

2. R平方¶

$R^2$（R-squared，R平方）是回归分析中用于评估模型拟合优度的统计指标之一。它是一个介于0和1之间的值，表示因变量的变异性中被自变量解释的比例。$R^2$越接近1，说明模型拟合得越好；$R^2$越接近0，则说明模型对数据的拟合程度较差。

$R^2$ 的计算公式如下：

其中：

• $SSR$ 是残差平方和，表示模型预测值与实际观测值之间的差异的平方和；

• $TSS$ 是总平方和，表示实际观测值与因变量均值之间的差异的平方和。

换句话说，$R^2$ 是残差平方和占总平方和的比例的补数。它衡量了模型所能解释的因变量变异性的比例，即模型对数据的拟合程度。$R^2$ 的取值范围为0到1，其中1表示模型完美拟合数据，0表示模型未能解释因变量的任何变异性。

在回归分析中，$R^2$ 通常作为一个重要的指标来评估模型的拟合优度。然而，需要注意的是，$R^2$ 并不是模型拟合程度的唯一评价指标，有时候模型的解释能力可能不够好，但 $R^2$ 仍然较高，因此在进行模型评估时，需要结合其他指标进行综合考虑。