|
執行迴歸分析研究之後，研究人員往往討論如下的問題，使用的模式與這些量測數據有多大的符合性？最被使用的判別標準即是決定係數（Coefficient
of determination），R2。在學術研究上最通俗的觀念是R2愈接近1.0愈好。
R2是什麼，在統計教科書的定義如下：
R2= SSReg/SSTotal
（1）
SSReg稱為迴歸模式的變異量，SSReg計算公式如下：
SSReg
 為迴歸模式在yi點的預測值， 為所有yi值的平均值。
SSTotal稱為yi值之變異量，SSTotal計算公式如下
SSTotal  （2）
R2的定義代表迴歸模式之變異值與所有yi變異量之比例，R2愈大，代表此迴歸模式能夠解釋全體yi變異量的比例愈大。因此R2愈接近1.0，代表此模式愈有解釋能力。
使用R2值作為判別標準，至少有兩大問題：
1. R2值要多大才是有價值？
關於社會科學研究，R2值為0.5或0.6則是常見，R2值大於0.7則很少見。生物或農業研究，R2大於0.9也是不多。但是在儀器效正公式，R2值通常為0.999。因此R2值要多大才有判別價值?
2. R2值愈大，不見得模式是正確。
許多線性迴歸式，R2值高達0.99，但是其殘差圖檢定顯示多項式才是正確的校正公式。
以R2值為判別的標準，最大的問題是R2值可以人為加以調整改變，由R2值計算公式可以推導成如下公式：（R.
H. Myer,Classical and Modern Regression with Application, PWS and Kent
Publisher, 1986）。
（3）
以W
=  （4）
公式（3）可以改為
（5）
因為 與W比較，可以忽略，公式（5）為
（6）
公式（6）代表W愈大，R2相對愈大。只要人為增加W，R2值就變大。影響W值的因子有三個。
1.
B：迴歸模式的斜率
2.
Sxx，Sxx的計算公式為 。因此數據在X軸愈分散，Sxx愈大，R2就愈大。
3.
n，n為數據數目，n愈小，W愈大，R2愈大。
由上述討論可知如何提高R2值，這些技巧（Tricks）在生物感測器最常見。
1.
提高Sxx值，將迴歸分析之數據點其分布範圍擴大，例如X之範圍原來為20ppm~35ppm，只要增加一個數據點Xi
= 100ppm，其R2值即暴增。
實例一：以一個生物反應器之研究論文為例，X值為MBA
Titer，Y值為Reference
Vessel Titer。圖1代表X數據分佈為1600以內，其迴歸公式：
Y1 = 53.113+1.1127X, R2= 0.853。
增加一組數據（X
= 2225），分佈如圖2，其迴歸式：
Y2 = 16.4975 +1.2011X, R2= 0.912。
再增加一組數據（X
= 3750），分佈如圖3，其迴歸公式：
Y3 = 73.4804 +1.0830X, R2= 0.981。
由此實例可知，增大X之分佈，即增大Sxx值，對R2之影響有多大。
2.
減少n值
常用的方法是以各組平均值代替所有數據，例如Xi為10，20，30，40，50ppm，在每個Xi值有3個量測值（yi1,
yi2, yi3），共有15組數據。如果以Xi條件之3個量測值加以平均值為 ，則只有5組數據。
以15組數據與5組數據進行迴歸分析，以線性公式為例， 。兩種數據所得之bo與b1值完全相同，但是R2值大有所不同。5組數據迴歸所得R2值遠大於15組數據之R2值。
實例二：一篇電化學伏安法量測農藥殘留濃度之論文，其原始數據分佈如圖4，其迴歸公式為：
Y1 = -0.2613+0.8560X, R2= 0.923
以Yi之平均值對Xi重新製圖，數據分佈如圖5，其迴歸公式為：
Y2 = -0.2644+0.8552X, R2= 0.983
由此可知以原始數據或以平均值進行迴歸分析，對R2值影響有多麼顯著。
R2是否有意義的判別標準？看看許多學術論文其數據呈現方式即可看出端倪。
圖1.
X數據分佈範圍為0- 1600之間
圖2.
X數據分佈範圍為0- 2225之間
圖3.
X數據分佈範圍為0- 3750之間
圖5.
電化學伏安法量測農藥殘留濃度之研究其平均值數據分佈
|
