⑴ 指數平滑法R方為多少合理
平滑指數的取值通常在0點3到0點7之間。
採用較大的平滑指數，預測值可以反映樣本值變動的長期趨勢，這是由於因變數數據為季節性數據，因此平穩的R方更具代表性。擬合情況比較良好。
指數平滑法中最重要的一個參數是平滑常數α，α的取值范圍是0到1，α值是主觀選定的，值越大表示對未來的預測中越近期的數據權重越大。
⑵ r方一般多少說明擬合的好
r方一般0.999說明擬合的好。
在工程設計或科學實驗中所得到的數據往往是一張關於離散數據點的表 ，沒有解析式來描述 x-y關系。根據所給定的這些離散數據點繪制的曲線，稱為不規則曲線，通常用曲線擬合的方法解決這類問題。
擬合優度檢驗：
主要是運用判定系數和回歸標准差，檢驗模型對樣本觀測值的擬合程度。當解釋變數為多元時，要使用調整的擬合優度，以解決變數元素增加對擬合優度的影響。
假定一個總體可分為r類，現從該總體獲得了一個樣本——這是一批分類數據，需要我們從這些分類數據中出發，去判斷總體各類出現的概率是否與已知的概率相符。
⑶ 調整r方多大才有意義
接近1。
調整R方的解釋與R方類似，不同的是：調整R方同時考慮了樣本量（n）和回歸中自變數的個數（k）的影響，這使得調整R方永遠小於R方，而且調整R方的值不會由於回歸中自變數個數的增加而越來越接近1。
因此，在多元回歸分析中，通常用調整的多重判定系數來評價擬合效果。
R方的平方根稱為多重相關系數，也稱為復相關系數，它度量了因變數同k個自變數的相關程度。
註：SPSS中進行相關分析，一般只能得到兩兩之間的相關系數，因此，若要求復相關系數，可在多元回歸中實現！
區別是系數不同。自變數個數的增加將影響到因變數中被回歸方程所解釋的變異比例，即會影響判定系數（R方）的大小。當增加自變數時，會使殘差平方和減少，從而使R方變大。
如果模型中增加一個自變數，即使這個自變數在統計上並不顯著，R方也會變大。因此，為避免增加自變數而高估R方，統計學家提出用樣本量（n）和自變數的個數（k）去調整R方，計算出調整的多重判定系數（調整的R方）。
⑷ SOR理論模型回歸分析R方多大合適
SOR理論模型回歸分析R方0.9合適。
SOR 是認知主義提出的一種學習理論,是指刺激 —機體一響應 (Stimulus-Organism-Response,S-O-R)理論模型。
⑸ 固定效應回歸R方多少合適
R方不高於0.9。
R_表示模型擬合能力的大小，比如0.3表示自變數X對於因變數Y有30%的解釋能力。這個值介於0~1之間。
⑹ r方多少擬合度好
值越接近1就好。
擬合優度是指回歸直線對觀測值的擬合程度。度量擬合優度的統計量是可決系數（亦稱確定系數）R²。R²最大值為1。R²的值越接近1，說明回歸直線對觀測值的擬合程度越好；反之，R²的值越小，說明回歸直線對觀測值的擬合程度越差。
R²衡量的是回歸方程整體的擬合度，是表達因變數與所有自變數之間的總體關系。R²等於回歸平方和在總平方和中所佔的比率，即回歸方程所能解釋的因變數變異性的百分比（在MATLAB中，R²=1-"回歸平方和在總平方和中所佔的比率"）。
實際值與平均值的總誤差中，回歸誤差與剩餘誤差是此消彼長的關系。因而回歸誤差從正面測定線性模型的擬合優度，剩餘誤差則從反面來判定線性模型的擬合優度。
擬合優度檢驗：
主要是運用判定系數和回歸標准差，檢驗模型對樣本觀測值的擬合程度。當解釋變數為多元時，要使用調整的擬合優度，以解決變數元素增加對擬合優度的影響。
假定一個總體可分為r類，現從該總體獲得了一個樣本——這是一批分類數據，需要我們從這些分類數據中出發，去判斷總體各類出現的概率是否與已知的概率相符。
譬如要檢驗一顆骰子是否是均勻的，那麼可以將該骰子拋擲若干次，記錄每一面出現的次數，從這些數據出發去檢驗各面出現的概率是否都是1/6，擬合優度檢驗就是用來檢驗一批分類數據所來自的總體的分布是否與某種理論分布相一致。
⑺ spss中r方為多少才可靠
0.3到0.5之間。
R方的高低不是判斷模型好壞的很好的依據，主要看所估計闡述的符號是否與理論相符及其是否顯著（t檢驗），模型總體顯著性如何（F檢驗），還有d-w統計量等。其實一般大於0.3就ok了，雖然越大越好，但是0.5太高了一般很難達到。
SPSS()，"統計產品與服務解決方案"軟體。最初軟體全稱為"社會科學統計軟體包"()，但是隨著SPSS產品服務領域的擴大和服務深度的增加，SPSS公司已於2000年正式將英文全稱更改為"統計產品與服務解決方案"，標志著SPSS的戰略方向正在做出重大調整。為IBM公司推出的一系列用於統計學分析運算、數據挖掘、預測分析和決策支持任務的軟體產品及相關服務的總稱SPSS，有Windows和MacOSX等版本。
⑻ R方在多少以上算相關性較好
在arma,var等時間序列模型中，R方起碼要在0.9以上才能說明模型構造的合理性。
對於微觀數據模型，R方的取值不具有評價模型合理性的參考價值，可以不用管它。
⑼ r平方為多少擬合較好
值越接近1就好。
擬合優度是指回歸直線對觀測值的擬合程度。度量擬合優度的統計量是可決系數（亦稱確定系數）R²。R²最大值為1。R²的值越接近1，說明回歸直線對觀測值的擬合程度越好；反之，R²的值越小，說明回歸直線對觀測值的擬合程度越差。
R²衡量的是回歸方程整體的擬合度，是表達因變數與所有自變數之間的總體關系。R²等於回歸平方和在總平方和中所佔的比率，即回歸方程所能解釋的因變數變異性的百分比（在MATLAB中，R²=1-"回歸平方和在總平方和中所佔的比率"）。
實際值與平均值的總誤差中，回歸誤差與剩餘誤差是此消彼長的關系。因而回歸誤差從正面測定線性模型的擬合優度，剩餘誤差則從反面來判定線性模型的擬合優度。
擬合優度檢驗：
R平方越高，模型越適合您的數據。 在心理調查或研究中，我們通常發現低R平方值低於0.5。 這是因為我們試圖預測人類行為，預測人類並不容易。
在這些情況下，如果R平方值很低，但有統計學上顯著的獨立變數（又稱預測變數），仍然可以生成關於預測變數值中的變化如何與響應值變化相關聯的見解。
當水平線比您的模型更好地解釋數據時。 它主要發生在不包括截距的情況下。 沒有截距，在預測目標變數方面，回歸可能會比樣本均值差。 這不僅是因為沒有截距。 即使包含截距，它也可能是負的。在數學上，當模型的誤差平方大於水平線上的總平方和時，這是可能的。
⑽ 多元線性逐步回歸R方值一般要達到多少才好，我的值最後只有30%不知道可不可以用於論文
樓上此言差矣，調整R方值大於50%就已經很不錯了。20-30%也是可以接受的，前提是模型中預測變數間不存在多重共線性等問題。關鍵看樣本和實際問題。