【拟合优度的计算公式】在统计学中，拟合优度（Goodness of Fit）用于衡量一个统计模型与实际数据之间的匹配程度。它常用于检验观测数据与理论分布之间的一致性，或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（Chi-square test）等。
以下是对不同拟合优度计算公式的总结：
一、R²（决定系数）
定义：R²表示模型解释的变量变异比例，范围在0到1之间，数值越大，说明模型对数据的拟合越好。
公式：
$$
R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}}
$$
其中：
- $ SS_{\text{res}} = \sum (y_i - \hat{y}_i)^2 $：残差平方和
- $ SS_{\text{tot}} = \sum (y_i - \bar{y})^2 $：总平方和
二、调整R²（Adjusted R²）
定义：在R²的基础上考虑了模型中自变量的数量，避免因增加无关变量而人为提高R²。
公式：
$$
R^2_{\text{adj}} = 1 - \left( \frac{1 - R^2}{n - 1} \right) \times (n - k)
$$
其中：
- $ n $：样本数量
- $ k $：自变量个数
三、卡方检验（Chi-square Test）
定义：用于判断观测频数与期望频数之间的差异是否显著，适用于分类数据。
公式：
$$
\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}
$$
其中：
- $ O_i $：观测频数
- $ E_i $：期望频数
四、AIC（Akaike信息准则）
定义：用于比较不同模型的拟合效果，值越小越好。
公式：
$$
AIC = 2k - 2\ln(L)
$$
其中：
- $ k $：模型参数个数
- $ L $：模型的最大似然值
五、BIC（贝叶斯信息准则）
定义：与AIC类似，但惩罚项更重，适用于样本量较大的情况。
公式：
$$
BIC = k \ln(n) - 2\ln(L)
$$
拟合优度指标对比表
| 指标名称 | 公式 | 应用场景 | 特点 |
| R² | $ R^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}} $ | 线性回归模型 | 易受变量数量影响 |
| 调整R² | $ R^2_{\text{adj}} = 1 - \left( \frac{1 - R^2}{n - 1} \right) \times (n - k) $ | 多元线性回归模型 | 更适合比较不同变量数量的模型 |
| 卡方检验 | $ \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} $ | 分类数据拟合 | 适用于离散变量 |
| AIC | $ AIC = 2k - 2\ln(L) $ | 模型选择 | 值越小越好 |
| BIC | $ BIC = k \ln(n) - 2\ln(L) $ | 模型选择 | 对复杂模型惩罚更重 |
总结
不同的拟合优度指标适用于不同类型的模型和数据类型。在实际应用中，应根据研究目的和数据特征选择合适的指标进行评估。同时，单一指标可能无法全面反映模型质量，建议结合多个指标进行综合分析。
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。
