a:

Satu perbezaan utama antara R-kuadrat dan R-kuadrat yang diselaraskan adalah bahawa R-kuadrat mengandaikan bahawa setiap pembolehubah bebas dalam model menjelaskan variasi dalam pembolehubah bergantung. Ia memberikan peratusan variasi yang dijelaskan seolah-olah semua pembolehubah bebas dalam model memberi kesan kepada pembolehubah bersandar, sedangkan R-kuadrat yang diselaraskan memberikan peratusan variasi yang dijelaskan oleh hanya pembolehubah bebas yang secara realitinya menjejaskan pemboleh ubah bergantung. R-kuadrat tidak boleh mengesahkan sama ada angka koefisien angka ballpark dan ramalannya adalah prasangka. Ia juga tidak menunjukkan sama ada model regresi memuaskan; ia boleh menunjukkan angka R-kuasa untuk model yang baik, atau angka R-kuasa tinggi untuk model yang tidak sesuai.

R-kuadrat yang diselaraskan membandingkan kuasa deskriptif model regresi yang merangkumi pelbagai peramal. Setiap ramalan yang ditambah kepada model meningkat R-kuasa dua dan tidak akan berkurangan. Oleh itu, model dengan istilah yang lebih banyak mungkin kelihatan lebih baik hanya untuk fakta bahawa ia mempunyai lebih banyak istilah, manakala R-squared diselaraskan untuk menambah pemboleh ubah dan hanya meningkat jika istilah baru meningkatkan model di atas apa yang akan diperolehi oleh kebarangkalian dan berkurang apabila seorang peramal meningkatkan model kurang daripada yang diramalkan secara kebetulan. Dalam keadaan yang berlebihan, nilai R-kuadrat yang salah, yang menyebabkan keupayaan menurun untuk diramal diperolehi. Ini tidak berlaku dengan R-kuadrat yang diselaraskan.

R-kuadrat yang diselaraskan adalah versi diubahsuai R-kuasa dua untuk bilangan peramal dalam model. R-kuadrat yang diselaraskan boleh menjadi negatif, tetapi tidak selalunya, manakala nilai R-kuadrat adalah antara sifar dan 100 dan menunjukkan hubungan linear dalam sampel data walaupun tidak ada hubungan asas. R-kuadrat yang diselaraskan adalah anggaran terbaik tahap hubungan dalam populasi asas. Untuk menunjukkan korelasi model dengan R-kuasa dua, pilih model dengan had tertinggi, tetapi cara terbaik dan termudah untuk membandingkan model adalah memilih satu dengan R-kuadrat yang diselaraskan dengan lebih kecil. Laraskan R-kuadrat bukan model tipikal untuk membandingkan model tidak linear, tetapi pelbagai regresi linear.