Negatives Adjusted R-Squared

Allgemeine Statistik mit R, die Test-Methode ist noch nicht bekannt, ich habe noch keinen Plan!

Moderatoren: EDi, jogo

Antworten
Statistik123
Beiträge: 3
Registriert: Do Mär 02, 2023 11:33 am

Negatives Adjusted R-Squared

Beitrag von Statistik123 »

Hallo liebes Forum,

in meiner Regression ist mein adjusted R-Squared negativ. Ich weiß, dass das also zeigt, dass mein Modell schlecht ist. Aber muss ich nun etwas ändern? Ich schreibe gerade die Bachelorarbeit. Oder könnte ich einfach berichten, dass es ein negatives adjusted R-Squared gibt und was das für die Limitationen bedeutet?

Vielen Dank!
schubbiaschwilli
Beiträge: 253
Registriert: Di Jun 27, 2017 12:09 pm

Re: Negatives Adjusted R-Squared

Beitrag von schubbiaschwilli »

Gude!

Also ein Adjusted R-squared kleiner 0 ist möglich - Wie man an diesem Beispiel sehen kann:

Code: Alles auswählen

x <- c(37.00, 33.50, 40.00, 35.50, 32.00, 37.00, 39.50, 35.50, 31.50, 33.50, 40.00, 40.00, 31.00, 42.00, 39.00, 32.00, 25.00)
y <- c(40.19112, 42.63232, 40.17562, 39.08412, 37.73542, 38.26342, 35.76512, 34.21812, 32.91542, 32.95382, 30.88792, 31.02502, 29.79522, 29.86142, 29.32082, 29.29152, 29.67462)

model <- lm(y~x)
summary(model)
In diesem Fall liegt es an einer linearen Regression, die nicht zu den Daten passt.

Dank&Gruß
Schubbiaschwilli
bigben
Beiträge: 2771
Registriert: Mi Okt 12, 2016 9:09 am

Re: Negatives Adjusted R-Squared

Beitrag von bigben »

Adjusted R^2 ist gut, um Modelle miteinander zu vergleichen. Wenn Du nur ein Modell berichtest, dann würde ich das echte R^2 berichten. Das hat wenigstens eine verständliche inhaltliche Interpretation.

JMTC, Bernhard
---
Programmiere stets so, dass die Maxime Deines Programmierstils Grundlage allgemeiner Gesetzgebung sein könnte
Benutzeravatar
student
Beiträge: 674
Registriert: Fr Okt 07, 2016 9:52 am

Re: Negatives Adjusted R-Squared

Beitrag von student »

Ich habe auch noch etwas:

Das Adjusted R-squared ist das angepasste Bestimmtheitsmaß ra^2 und trägt dem Rechnung, dass r^2 mit der Anzahl der unabhängigen Variablen steigt. Um dann ein Modell über diese Gütemaß beurteilen zu können, muss r^2 entsprechend angepasst werden (aus Jürgen Hedderich/Lothar Sachs, Angewandte Statistik, 16. Auflage, S. 817):
Dateianhänge
Angepasstes Bestimmtheitsmass.gif
Viele Grüße,
Student
-----------------------------------------------------------------------------------------------------------------------
faes.de, Datenanalyse mit R & das Ad-Oculos-Projekt
Das Ad-Oculos-Projekt auf YouTube

Habe Mut, dich deines eigenen Verstandes zu bedienen! (Kant)
Benutzeravatar
EDi
Beiträge: 1599
Registriert: Sa Okt 08, 2016 3:39 pm

Re: Negatives Adjusted R-Squared

Beitrag von EDi »

Ich weiß, dass das also zeigt, dass mein Modell schlecht ist. Aber muss ich nun etwas ändern? Ich schreibe gerade die Bachelorarbeit. Oder könnte ich einfach berichten, dass es ein negatives adjusted R-Squared gibt und was das für die Limitationen bedeutet?
Ich würde mir anschauen warum das so ist und eine Modeldiagnose durchführen, z.b. sich die Predictions und die Residuen anzuschauen.
Bitte immer ein reproduzierbares Minimalbeispiel angeben. Meinungen gehören mir und geben nicht die meines Brötchengebers wieder.

Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
Bild.
Athomas
Beiträge: 768
Registriert: Mo Feb 26, 2018 8:19 pm

Re: Negatives Adjusted R-Squared

Beitrag von Athomas »

Durch Aufnahme zusätzlicher Variablen in ein Regressionsmodell kann sich das R^2 nicht verschlechtern, i.a. wird es ansteigen.

Auch erkennbare Nonsens-Variablen erhöhen es - wenn ich mir also überlege, welche Variablen ich in ein (lineares) Regressionsmodel aufnehme, um eine möglichst gute Beschreibung zu erzielen, kann die Höhe des „rohen“ R^2 kein Kriterium sein.

Hier kommt halt eine „Korrektur“ ins Spiel, die diesem Effekt Rechnung tragen soll. Man sollte allerdings erwähnen, dass es diverse Vorschläge für eine solche Korrektur gibt, die von R verwendete aber die populärste ist! (https://stats.stackexchange.com/questio ... -interpret)
Die ominöse Korrektur ist also nix Amtliches, sondern lediglich eine pi-mal-Daumen-Regel für den Versuch, das Overfitting durch Einbindung unbedeutender Variablen zu verhindern!

Wie Bigben auch schon bemerkte, ist das korrigierte R^2 auf den Vergleich geschachtelter (?) Modelle abgestellt und für ein einzelnes, freistehendes Modell nicht aussagekräftiger als das ordinäre R^2.

Im Gegenteil, es verliert (wie Du gemerkt hast) die schöne Eigenschaft, nicht negativ zu sein!
Ich weiß, dass das also zeigt, dass mein Modell schlecht ist.
Es passt zumindest nicht - eine Möglichkeit wäre ja, dass die „erklärenden“ Variablen für Deine zu erklärende bedeutungslos sind – eine andere, dass die ihnen von Dir aufgezwungene Art des (linearen) Zusammenhangs nicht passt!

Und hier kommt EDis Anmerkung ins Spiel…
Antworten