python金融風控評分卡模型和數據分析微專業課（博主親自錄制視頻）：http://dwz.date/b9vv
1.選擇最簡單模型
如果不能滿足：
增加參數，增加R**2
判斷是否overfittiing
調整R方，BIC，AIC（選擇較小ＢＩＣ或ＡＩＣ值）
R方不能比較參數不同模型，但調整后R方可以比較不同參數模型
如果添加一個新的變量，但調整R方變小，這個變量就是多余的
如果添加一個新的變量，但調整R方變大，這個變量就是有用的
R^2很小得謹慎，說明你選的解釋變量解釋能力不足，有可能有其他重要變量被納入到誤差項。可嘗試尋找其他相關變量進行多元回歸
這個問題在伍德里奇的書里有說明，可絕系數只是判斷模型優劣的指標之一，而不是全部，特別是當使用微觀數據，樣本量比較大的時候，可絕系數可以很小，但這並不能表示模型就差。
顯著但是R值小，要考慮不同的專業背景。
有的專業確實比較小，樓主的例子，我覺得這個大小就能接受了。
態度與行為之間的影響因素非常多，態度能解釋行為11-15%已經不小了。
F檢驗是對整個模型而已的，看是不是自變量系數不全為0，而t檢驗則是分別針對某個自變量的，看每個自變量是否有顯著預測效力。
調整R方VS樣本量VS變量數量
樣本量越大，調整的R方懲罰機制越小，調整的R方越大
樣本量越小，調整的R方懲罰機制越大，調整的R方越小
變量越多，懲罰機制越嚴重，調整R方越小
變量越少，懲罰機制越嚴小，調整R方越大
n=13 樣本
p=2 變量數量
adjR2=rSquared-(1-rSquared)*((p-1)/(n-p))=0.63-(1-0.63)
rSquared=0.63109603807606962
rSquared_adj=0.59755931426480324
n=13 樣本
n越大，(n-p)大，(p-1)/(n-p)越小，(1-rSquared)*((p-1)/(n-p))越小，rSquared-(1-rSquared)*((p-1)/(n-p))越大，即樣本量越大，調整R方越大，變量解釋力度越大。
p=2 變量數量
參數多，p大，（P-1）越大，（n-p）越小
，(p-1)/(n-p)越大，
rSquared-(1-rSquared)*((p-1)/(n-p)) 越小，即adjR2越小。所以變量越多，懲罰機制越嚴重，調整R方越小
測試Python腳本
導入excel數據
import pandas as pd
df=pd.read_excel("土壤沉淀物吸收能力采樣數據-不存在共線性.xlsx")
array_values=df.values
x1=[i[0] for i in array_values]
x2=[i[1] for i in array_values]
df = pd.DataFrame({'x':x1, 'y':x2})
# Fit the model
model = ols("y~x", df).fit()
rSquared_adj=model.rsquared_adj
rSquared=model.rsquared
n=13 #樣本
p=2 #變量數量
adjR2=rSquared-(1-rSquared)*((p-1)/(n-p))
#最終adjR2和rSquared_adj是相等的
n為樣本個數，p為變量數
微信掃二維碼，免費學習更多python資源
