যতদূর আমি বুঝতে পেরেছি, ব্যাখ্যা করেছেন যে মডেলটি পর্যবেক্ষণটির কতটা পূর্বাভাস দিয়েছেন। সমন্বিত হ'ল যা আরও বেশি পর্যবেক্ষণ (বা স্বাধীনতার ডিগ্রি) বিবেচনা করে। সুতরাং, অ্যাডজাস্টেড আর 2 মডেলটির আরও ভাল ভবিষ্যদ্বাণী করে? তাহলে কেন এটি আর 2 এর চেয়ে কম? এটি প্রায়শই বেশি হওয়া উচিত বলে মনে হয়।
উত্তর:
স্বাধীন ভেরিয়েবল এবং নির্ভরশীল ভেরিয়েবলের মধ্যে লিনিয়ার সম্পর্ক দেখায় shows এটি 1 - এস এস ই হিসাবে সংজ্ঞায়িত করা হয়েছে যা স্কোয়ার ত্রুটির যোগফলকে মোট স্কোয়ারের যোগফল দ্বারা বিভক্ত করে। এসএসটিহে=এসএসই+ +এসএসআরযা মোট ত্রুটি এবং রিগ্রেশন বর্গের মোট যোগফল হয়। স্বাধীন ভেরিয়েবলগুলি যুক্ত হওয়ার সাথে সাথেএসএসআরবৃদ্ধি পেতে থাকবে (এবং যেহেতুএসএসটিহেস্থির করা হয়েছে)এসএসইনেমে যাবে এবং আপনিযে পরিমাণ ভেরিয়েবলগুলি মূল্যবান তা নির্বিশেষেআরএস2ক্রমাগত বৃদ্ধি পাবে।
অ্যাডজাস্টেড পরিসংখ্যান সংকোচনের জন্য অ্যাকাউন্ট করার চেষ্টা করছে। প্রচুর ভবিষ্যদ্বাণীকারী মডেলগুলির নমুনা পরীক্ষা করার সময় নমুনায় আরও ভাল সম্পাদন করার প্রবণতা রয়েছে। সমন্বিত আর 2 অতিরিক্ত ভবিষ্যদ্বাণী ভেরিয়েবলগুলি যুক্ত করার জন্য আপনাকে "শাস্তি দেয়" যা বিদ্যমান মডেলটির উন্নতি করে না। এটি মডেল নির্বাচনের ক্ষেত্রে সহায়ক হতে পারে। সমন্বিত আর 2 একটি ভবিষ্যদ্বাণীকারী ভেরিয়েবলের জন্য আর 2 এর সমান হবে । আপনি যেমন ভেরিয়েবল যুক্ত করবেন এটি আর 2 এর চেয়ে ছোট হবে ।
আর ^ 2 আপনার নির্ভরশীল পরিবর্তনশীল (ওয়াই) এর রৈখিক প্রতিরোধের মডেলের জন্য আপনার স্বাধীন ভেরিয়েবল (এক্স) দ্বারা ব্যাখ্যা করা তারতম্যের অনুপাত ব্যাখ্যা করে।
যখন সামঞ্জস্য করা আর ^ 2 বলছে আপনার নির্ভরশীল চলক (ওয়াই) এর পরিবর্তনের অনুপাত একটি রৈখিক রিগ্রেশন মডেলের জন্য 1 টিরও বেশি স্বতন্ত্র ভেরিয়েবল (এক্স) দ্বারা ব্যাখ্যা করা হয়েছে ।
আপনি যদি নির্ভরশীল ভেরিয়েবলের সাথে সম্পর্কিত নয় এমন ভেরিয়েবলগুলি যুক্ত করেন তখনও আর-স্কোয়ার্ড বৃদ্ধি পায় তবে যখনই আপনি নির্ভরশীল ভেরিয়েবলের সাথে সম্পর্কিত না এমন ভেরিয়েবল যুক্ত করেন তখন এটি কমিয়ে আনুন, সুতরাং যত্ন নেওয়ার পরে সম্ভবত এটি সম্ভবত হ্রাস.