R Cuadrado y R Cuadrado Ajustado

Interpretación del R Cuadrado

Supongamos que queremos explicar la cantidad de goles que anota
Cristiano Ronaldo según la cantidad de partidos que juega. Suponemos
que, a mayor cantidad de partidos jugados, más goles meterá. Los datos
pertenecen a las últimas 8 temporadas. De tal manera que tras extraer los
datos el modelo arroja la siguiente estimación:

Cómo podemos ver en el gráfico, la relación es positiva. A más partidos

jugados, como es lógico, más goles anota en la temporada. El ajuste, según
el cálculo del R Cuadrado, es de 0.835. Lo cual quiere decir que es un
modelo cuyas estimaciones se ajustan bastante bien a la variable real.
Aunque técnicamente no sería correcto, podríamos decir algo así como
que el modelo explica en un 83.5% a la variable real.
El problema del R Cuadrado

El problema del R Cuadrado, y razón por el cual surge el R Cuadrado

ajustado, radica en que no penaliza la inclusión de variables explicativas no
significativas. Es decir, si al modelo se añaden cinco variables explicativas
que guardan poca relación con los goles que anota Cristiano Ronaldo en
una temporada, el R Cuadrado aumentará. Es por ello que muchos expertos
económetras, estadísticos y matemáticos se oponen al uso del R Cuadrado
como medida representativa de la bondad del ajuste real.
El R Cuadrado ajustado

El R Cuadrado ajustado es la medida que define el porcentaje explicado

por la varianza de la regresión en relación con la varianza de la variable
explicada. Es decir, lo mismo que el R Cuadrado, pero con una diferencia.
Esa diferencia se encuentra en que el R Cuadrado ajustado penaliza la
inclusión de variables.
Cómo hemos dicho anteriormente el R Cuadrado de un modelo aumenta
aunque las variables que incluyamos no sean relevantes. Ya que esto
supone un problema, para intentar solventarlo el R Cuadrado ajustado
queda tal que:

Donde N es el tamaño de la muestra y k el número de variables explicativas.

Por deducción matemática, a valores más altos de k, más alejado estará el
R Cuadrado ajustado del R Cuadrado normal. Al revés a valores más bajos
de k, más cerca estará de 1 la fracción central y, por tanto, más parecidos
serán el R Cuadrado ajustado y el R Cuadrado normal. Recordando que k
es el número de variables explicativas, deducimos que éste no puede ser
cero. Si fuese cero, no existiría modelo. Como mínimo tendremos que
explicar una variable en función de otra variable. Dado que k debe ser
como mínimo 1, el R Cuadrado ajustado y el R Cuadrado normal no pueden
tener el mismo valor. Es más, el R Cuadrado ajustado será siempre inferior al
R Cuadrado normal.

PÁGINA DE IBM

R2 ajustado es un medida de bondad de ajuste corregida (precisión de

modelo) para los modelos lineales. Identifica el porcentaje de varianza en
el campo objetivo que se explica mediante la entrada o entradas.

R2 tiende a estimar de forma optimista el ajuste de la regresión lineal. Siempre

aumenta como el número de efectos que se incluyen en el modelo.
R2 ajustado intenta corregir esta estimación excesiva. R2 ajustado podría
disminuir si un efecto específico no mejora el modelo.

R cuadrado ajustad se calcula dividiendo el error cuadrático de la media

residual por el error cuadrático promedio total (que es la varianza muestral
del campo objetivo). Se resta 1 del resultado.

R2 ajustado siempre es menor o igual que R2. Un valor de 1 indica un modelo

que predice perfectamente valores del campo objetivo. Un valor que es
menor o igual que 0 indica un modelo que no tiene ningún valor predictivo.
En el mundo real, R2 ajustado se encuentra entre estos valores.
¿Cuál es la diferencia entre r-cuadrado y r-cuadrado ajustado?

Una diferencia importante entre R-cuadrado y R-cuadrado ajustado es que

R-cuadrado supone que cada variable independiente en el modelo explica
la variación en la variable dependiente. Da el porcentaje de variación
explicada como si todas las variables independientes en el modelo
afectaran a la variable dependiente, mientras que el R-cuadrado ajustado
da el porcentaje de variación explicado solo por aquellas variables
independientes que en realidad afectan a la variable dependiente. R-
cuadrado no puede verificar si la figura del coeficiente del estadio y sus
predicciones están perjudicadas. Tampoco muestra si un modelo de
regresión es satisfactorio; puede mostrar una figura R-cuadrado para un
buen modelo, o una figura alta R-cuadrado para un modelo que no se
ajusta.

El R-cuadrado ajustado compara el poder descriptivo de los modelos de

regresión que incluyen diversos números de predictores. Cada predictor
agregado a un modelo aumenta R-cuadrado y nunca lo disminuye. Por lo
tanto, un modelo con más términos puede parecer mejor ajustado
simplemente por el hecho de que tiene más términos, mientras que el R-
cuadrado ajustado compensa la adición de variables y solo aumenta si el
nuevo término mejora el modelo por encima de lo que sería se obtiene por
probabilidad y disminuye cuando un predictor mejora el modelo menos de
lo que se predice por azar. En una condición de sobreajuste, se obtiene un
valor incorrectamente alto de R cuadrado, que conduce a una menor
capacidad de predicción. Este no es el caso con el R-cuadrado ajustado.

El R-cuadrado ajustado es una versión modificada de R-cuadrado para el

número de predictores en un modelo. El R-cuadrado ajustado puede ser
negativo, pero no siempre, mientras que un valor R-cuadrado está entre
cero y 100 y muestra la relación lineal en la muestra de datos, incluso cuando
no hay una relación básica. El R-cuadrado ajustado es la mejor estimación
del grado de relación en la población básica. Para mostrar la correlación
de los modelos con R-cuadrado, elija el modelo con el límite más alto, pero
la mejor y más fácil forma de comparar los modelos es seleccionar uno con
el R-cuadrado ajustado más pequeño. El R-cuadrado ajustado no es un
modelo típico para comparar modelos no lineales, sino regresiones lineales
múltiples.
La diferencia clave entre R2 y ajustado R2 es eso R2 aumenta
automáticamente a medida que agrega nuevas variables independientes
a una ecuación de regresión (incluso si no aportan ningún nuevo poder
explicativo de la ecuación). Por lo tanto, desea utilizar ajustado R2 con el
análisis de regresión múltiple. Ajustado R2 aumenta sólo cuando agrega
nuevas variables independientes que hacer aumentar el poder explicativo
de la ecuación de regresión, por lo que es una medida mucho más útil de
lo bien que una ecuación de regresión múltiple se ajusta a los datos de la
muestra que R2.
Introducción a la econometría: un enfoque moderno
http://economipedia.com/definiciones/r-cuadrado-coeficiente-
determinacion.html
https://www.ibm.com/support/knowledgecenter/es/SS4QC9/com.ibm.soluti
ons.wa_an_overview.2.0.0.doc/rsquared_adjusted.html
http://maniqui.ru/educacin-y-lenguas/matemticas/estadsticas/18684-cmo-
calcular-el-coeficiente-de-determinacin.html
https://books.google.co.cr/books?id=hZFzcAa0_BkC&pg=PA882&lpg=PA882
&dq=diferencias+entre+r+cuadrado+r+cuadrado+ajustado&source=bl&ots=t
q2Fv3qTbL&sig=G1oXcLgDmicsvBdQ6cqlse1-
xBI&hl=es&sa=X&ved=0ahUKEwjt4ZXCnuPZAhUsq1kKHecAAw84ChDoAQhU
MAg#v=onepage&q&f=false
https://books.google.co.cr/books?id=5vnq3IZS7a8C&pg=PA218&lpg=PA218&
dq=diferencias+entre+r+cuadrado+r+cuadrado+ajustado&source=bl&ots=W_
OzkS7T4D&sig=eVePqro4CQQrbHrqeDYoqv2TAwU&hl=es&sa=X&ved=0ahUK
Ewjo_bC5puPZAhXSuFkKHUOpDRY4FBDoAQgsMAE#v=onepage&q&f=false