【回归方程拟合效果公式】在回归分析中，拟合效果是衡量回归模型与实际数据之间匹配程度的重要指标。为了更准确地评估回归方程的拟合效果，通常会使用多个统计指标来综合判断。以下是对常见回归拟合效果公式的总结，并以表格形式进行展示。
一、回归拟合效果常用公式总结
1. 决定系数（R²）
R² 是最常用的拟合优度指标，表示因变量的总变异中能被自变量解释的比例。其值越接近 1，说明模型拟合越好。
公式为：
$$
R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}
$$
2. 调整决定系数（Adjusted R²）
考虑了模型中自变量数量对 R² 的影响，适用于多变量回归模型，避免因增加变量而人为提高 R²。
公式为：
$$
R^2_{\text{adj}} = 1 - \frac{(1 - R^2)(n - 1)}{n - k - 1}
$$
其中，n 为样本数，k 为自变量个数。
3. 均方误差（MSE）
衡量预测值与实际值之间的平均平方误差，数值越小，拟合效果越好。
公式为：
$$
\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
4. 均方根误差（RMSE）
MSE 的平方根，单位与因变量一致，便于直观理解误差大小。
公式为：
$$
\text{RMSE} = \sqrt{\text{MSE}}
$$
5. 平均绝对误差（MAE）
衡量预测值与实际值之间的平均绝对偏差，对异常值不敏感。
公式为：
$$
\text{MAE} = \frac{1}{n} \sum_{i=1}^{n}
$$
6. 残差平方和（SSE）
表示预测值与实际值之间差异的平方和，用于计算 R² 等指标。
公式为：
$$
\text{SSE} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
7. 总平方和（SST）
表示实际值与均值之间的总差异，用于计算 R²。
公式为：
$$
\text{SST} = \sum_{i=1}^{n} (y_i - \bar{y})^2
$$
二、回归拟合效果公式对比表
| 指标名称 | 公式 | 作用与特点 | ||
| 决定系数（R²） | $ R^2 = 1 - \frac{\text{SSE}}{\text{SST}} $ | 表示模型解释的变异比例，范围在 [0,1]，越接近 1 越好 | ||
| 调整决定系数 | $ R^2_{\text{adj}} = 1 - \frac{(1 - R^2)(n - 1)}{n - k - 1} $ | 修正了自变量数量对 R² 的影响，适合多变量回归模型 | ||
| 均方误差（MSE） | $ \text{MSE} = \frac{1}{n} \sum (y_i - \hat{y}_i)^2 $ | 衡量预测误差的平方平均值，数值越小拟合越好 | ||
| 均方根误差（RMSE） | $ \text{RMSE} = \sqrt{\text{MSE}} $ | 与因变量单位一致，便于理解误差大小 | ||
| 平均绝对误差（MAE） | $ \text{MAE} = \frac{1}{n} \sum | y_i - \hat{y}_i | $ | 对异常值不敏感，反映平均误差水平 |
| 残差平方和（SSE） | $ \text{SSE} = \sum (y_i - \hat{y}_i)^2 $ | 用于计算 R² 和其他指标，表示模型误差大小 | ||
| 总平方和（SST） | $ \text{SST} = \sum (y_i - \bar{y})^2 $ | 表示因变量总变异，用于计算 R² |
三、结论
回归方程的拟合效果评估需结合多种指标综合判断。R² 和调整 R² 可以反映模型整体解释能力，而 MSE、RMSE 和 MAE 更关注具体误差大小。在实际应用中，应根据数据特征和建模目标选择合适的评估指标，以确保模型的可靠性和实用性。