Wann ist R im Quadrat negativ?

Ich verstehe, dass nicht negativ sein kann, da es das Quadrat von R ist. Ich habe jedoch in SPSS eine einfache lineare Regression mit einer einzelnen unabhängigen Variablen und einer abhängigen Variablen durchgeführt. Meine SPSS-Ausgabe gibt mir einen negativen Wert für . Wenn ich dies von Hand aus R berechnen würde, wäre positiv. Was hat SPSS unternommen, um dies als negativ zu berechnen?R 2 R $R^2$$R^2$$R^2$

R=-.395
R squared =-.156
B (un-standardized)=-1261.611

Code, den ich verwendet habe:

DATASET ACTIVATE DataSet1. 
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA 
           /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN 
           /DEPENDENT valueP /METHOD=ENTER ageP

Ich bekomme einen negativen Wert. Kann mir jemand erklären, was das bedeutet?

$R^2$$R^2$$R^2$$R^2$

$Y$$1500$

Das Modell macht bei diesen Daten überhaupt keinen Sinn. Es ist eindeutig das falsche Modell, vielleicht aus Versehen gewählt.

$(SS_\text{reg})$$(SS_\text{tot})$$R^2$$1 - \frac{SS_\text{reg}}{SS_\text{tot}}$$SS_\text{reg}$$SS_\text{tot}$$R^2$

$R^2$$r$$R^2$$R^2$

$R^2$

Haben Sie vergessen, einen Abschnitt in Ihre Regression aufzunehmen? Ich bin nicht mit SPSS-Code vertraut, aber auf Seite 21 von Hayashis Econometrics:

$R^2$

$R^2=1-\frac{\sum_{i=1}^{n}e_i^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}$

$R^2$

Ich würde überprüfen und sicherstellen, dass SPSS einen Intercept in Ihre Regression einbezieht.

Dies kann passieren, wenn Sie eine Zeitreihe haben, die Niid ist, und ein ungeeignetes ARIMA-Modell der Form (0,1,0) konstruieren, bei dem es sich um ein Zufallsmodell der ersten Differenz ohne Drift und dann um die Varianz (Summe der Quadrate - SSE) handelt. der Residuen ist größer als die Varianz (Summe der Quadrate SSO) der ursprünglichen Reihe. Somit ergibt die Gleichung 1-SSE / SSO eine negative Zahl, wenn SSE SSO überschreitet. Wir haben dies gesehen, wenn Benutzer einfach ein angenommenes Modell anpassen oder unzureichende Verfahren verwenden, um eine geeignete ARIMA-Struktur zu identifizieren / zu bilden. Die größere Botschaft ist, dass ein Modell Ihre Sicht verzerren kann (ähnlich wie eine schlechte Brille). Ohne Zugriff auf Ihre Daten hätte ich sonst ein Problem damit, Ihre fehlerhaften Ergebnisse zu erklären. Haben Sie IBM darauf aufmerksam gemacht?

Die Idee, dass ein angenommenes Modell kontraproduktiv ist, wurde von Harvey Motulsky bestätigt. Großartiger Beitrag, Harvey!