【拟合优度的计算公式】在统计学中，拟合优度（Goodness of Fit）是用来衡量一个统计模型与实际观测数据之间匹配程度的指标。它常用于检验某个变量是否符合某种理论分布，或者评估回归模型对数据的解释能力。常见的拟合优度指标包括R²（决定系数）、调整R²、卡方检验等。
下面将对几种常用的拟合优度计算公式进行总结，并以表格形式展示其定义、用途及计算方式。
一、R²（决定系数）
定义：R²表示因变量的变异中有多少比例可以由自变量解释，取值范围为0到1，越接近1说明模型拟合效果越好。
计算公式：
$$
R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}}
$$
其中：
- $ SS_{\text{res}} $ 是残差平方和，即实际值与预测值之差的平方和；
- $ SS_{\text{tot}} $ 是总平方和，即实际值与均值之差的平方和。
二、调整R²
定义：调整R²是对R²的改进版本，考虑了模型中自变量的数量，避免因增加无关变量而导致R²虚高。
计算公式：
$$
\bar{R}^2 = 1 - (1 - R^2) \cdot \frac{n - 1}{n - k - 1}
$$
其中：
- $ n $ 是样本数量；
- $ k $ 是自变量个数。
三、卡方检验（Chi-Square Test）
定义：卡方检验用于判断观察频数与理论频数之间的差异是否显著，适用于分类数据。
计算公式：
$$
\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}
$$
其中：
- $ O_i $ 是第i组的观察频数；
- $ E_i $ 是第i组的期望频数。
四、AIC 和 BIC（信息准则）
定义：AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion）是用于模型选择的指标，数值越小表示模型越好。
计算公式：
- AIC：
$$
\text{AIC} = 2k - 2\ln(L)
$$
- BIC：
$$
\text{BIC} = k \ln(n) - 2\ln(L)
$$
其中：
- $ k $ 是模型参数个数；
- $ L $ 是模型的最大似然值；
- $ n $ 是样本数量。
拟合优度常用指标对比表
| 指标名称 | 定义 | 用途 | 计算公式 | 特点 |
| R² | 解释变量变化的比例 | 评估线性回归模型拟合程度 | $ R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}} $ | 越大越好，但不考虑变量数量 |
| 调整R² | 考虑变量数量的R²修正版 | 比较不同变量数量的模型 | $ \bar{R}^2 = 1 - (1 - R^2) \cdot \frac{n - 1}{n - k - 1} $ | 更合理，适合多变量比较 |
| 卡方检验 | 检验观察频数与理论频数的差异 | 分类数据拟合检验 | $ \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} $ | 适用于离散型数据 |
| AIC | 模型选择标准之一 | 比较不同模型的拟合优度 | $ \text{AIC} = 2k - 2\ln(L) $ | 数值越小越好，考虑模型复杂度 |
| BIC | 另一种模型选择标准 | 比较不同模型的拟合优度 | $ \text{BIC} = k \ln(n) - 2\ln(L) $ | 数值越小越好，惩罚更重 |
总结
拟合优度是评估模型与数据匹配程度的重要工具，不同的指标适用于不同的场景。在实际应用中，应根据数据类型和研究目的选择合适的拟合优度指标。同时，结合多个指标进行综合判断，有助于提高模型的可靠性和解释力。
以上就是【拟合优度的计算公式】相关内容，希望对您有所帮助。
