Qué significa R Cuadrado a un nivel avanzado
R Cuadrado, a menudo escrito como R², es un estadístico resumen que compara qué tan bien reproduce un modelo elegido la variación en un conjunto de valores observados. En la interpretación más simple (y más común), R² responde: “¿Cuánta de la variación observada es explicada por el modelo en relación con una línea base que no utiliza los insumos explicativos del modelo?”
Este significado es estable, pero muchos detalles prácticos no lo son. Por lo tanto, las “consideraciones avanzadas” se centran menos en memorizar la fórmula y más en confirmar qué se está midiendo realmente: la definición utilizada, la línea base utilizada para la comparación, la forma en que se construye la variable objetivo y si se evalúa con los mismos datos que usó el modelo (dentro de la muestra) o con datos nuevos (fuera de la muestra).
Cómo funciona R Cuadrado en un modelo simple comprobable
Un punto de partida estándar es un modelo que predice un objetivo Y a partir de insumos X, utilizando una regresión lineal con un intercepto. Bajo esa configuración conocida, R² puede expresarse en términos de la varianza (o suma de cuadrados) de los errores residuales en comparación con la variación total alrededor de la media.
Una vista de modelo comprobable es:
- Elige una serie objetivo Y (lo que quieres explicar).
- Elige un modelo que produzca valores ajustados Ŷ.
- Calcula los residuales e = Y − Ŷ.
- Compara la variabilidad residual con la variabilidad de referencia de Y alrededor de su promedio.
En el caso de la regresión con intercepto incluido, R² a menudo está restringido entre 0 y 1. Sin embargo, el trabajo avanzado requiere reconocer que esta restricción puede fallar cuando cambian los supuestos (por ejemplo, cuando cambias la forma en que se define la línea base) o cuando calculas R² fuera del contexto habitual del modelo.
Dependencias que debes declarar antes de interpretar R²
Para interpretar R² de manera independiente, debes ser explícito sobre al menos estas dependencias:
- Definición del objetivo: ¿Qué es exactamente Y? Para series temporales, Y puede ser un nivel, una diferencia, una cantidad similar a un rendimiento u otra transformación. Cambiar Y cambia el significado de “variación explicada”.
- Forma del modelo: R² depende del mapeo de los insumos a Ŷ. Un modelo diferente puede producir una curva ajustada diferente incluso si reutilizas los mismos datos.
- Línea base y centrado: Muchas interpretaciones de R² se basan en comparar contra una línea base que predice la media de Y. Si la línea base difiere, el significado cambia.
- Procedimiento de ajuste: ¿Seleccionaste la complejidad del modelo utilizando el mismo conjunto de datos sobre el que reportas R²?
- Esquema de evaluación: El R² dentro de la muestra refleja el ajuste a los datos de entrenamiento; el R² fuera de la muestra refleja la generalización.
Evidencia y ejemplos: por qué un R² alto puede ser engañoso
Aquí hay un razonamiento a modo de ejemplo (no una afirmación sobre ningún mercado en vivo) que ilustra una trampa avanzada común.
Supón que ajustas un modelo lo suficientemente flexible como para seguir las fluctuaciones a corto plazo. Si evalúas R² con los mismos datos utilizados para ajustar el modelo, el modelo puede “explicar” una gran parte de la variación al aprender patrones específicos de ese período.
Ahora imagina que evalúas el mismo modelo en un período posterior donde el proceso generador de datos cambia. Los residuales pueden aumentar, por lo que R² puede caer. Esto muestra por qué la interpretación avanzada requiere separar:
- La bondad de ajuste a los datos históricos (lo que R² puede indicar cuando se calcula dentro de la muestra) de
- La estabilidad predictiva o explicativa (que R² no garantiza).
Otro caso límite: cuando el objetivo cambia su carácter
Considera un objetivo Y que tiene episodios de comportamiento diferente (por ejemplo, agrupamiento de volatilidad, cambios estructurales o cambios de régimen). Incluso si R² se calcula “correctamente”, el estadístico promedia el rendimiento a lo largo de esos períodos.
Si la mayor parte de la variación proviene de unos pocos segmentos, un modelo podría parecer que explica “la mayor parte” de la variación simplemente al coincidir con esos segmentos. En la práctica avanzada, debes verificar si R² está impulsado por un subconjunto de ventanas de tiempo en lugar de reflejar un poder explicativo consistente.
Limitaciones materiales y modos de fallo
Las consideraciones avanzadas están incompletas sin modos de fallo explícitos: situaciones donde R² puede calcularse pero se vuelve difícil de interpretar.
1) Datos no estacionarios o con cambios de régimen
Si la relación estadística entre X e Y cambia con el tiempo, el R² calculado en ventanas históricas puede no reflejar el comportamiento actual. Esto no es un defecto de la aritmética; es una limitación de usar un estadístico resumen a lo largo de un proceso no estacionario.
2) Fuga de datos o evaluación inadecuada
Si la información del futuro (o de objetivos que no deberían conocerse en el momento de la predicción) influye en la construcción de características, el R² resultante puede estar inflado. La limitación es que R² medirá entonces un artefacto de cómo se prepararon los datos en lugar de la relación explicativa real del modelo.
Un paso de verificación práctico es conceptualmente simple: asegúrate de que cada cantidad utilizada para calcular X en el tiempo t habría estado disponible en el tiempo t, y asegúrate de que la evaluación se realice con datos no utilizados para el ajuste o la selección.
3) Sobreajuste y selección de modelos con los mismos datos
Cuando el modelo es flexible y pruebas múltiples especificaciones, reportar R² del mismo conjunto de datos tiende a sobreestimar el rendimiento. Las consideraciones avanzadas incluyen por lo tanto disciplina de evaluación, como separar ventanas de entrenamiento y prueba, y tener en cuenta que es posible que hayas optimizado hiperparámetros.
4) Objetivo desalineado y objetivo del modelo
R² se trata de explicar la varianza bajo una definición particular de salida del modelo. Si tu modelo está entrenado para optimizar un objetivo diferente (por ejemplo, pérdida de clasificación en lugar de un ajuste tipo error cuadrático), R² puede no reflejar lo que te importa.
5) Escalado o transformaciones inapropiados
Las transformaciones de Y pueden cambiar lo que significa “variación”. Dos valores de R² calculados sobre diferentes transformaciones del objetivo no son directamente comparables, incluso si usaste los mismos insumos y modelo.
Verificación: cómo comprobar de forma independiente el R² que calculas
Para verificar de forma independiente los hechos de R² para tu propia configuración, puedes usar un pequeño conjunto de comprobaciones.
- Confirma la definición que estás utilizando. Algunos programas exponen variantes de R² dependiendo de si se incluye un intercepto o si la línea base de comparación se define de manera diferente. 2) Recalcula a partir de valores intermedios almacenados (Ŷ ajustado y residuales e) para confirmar la consistencia con el R² reportado. 3) Separa dentro de la muestra de fuera de la muestra. Calcula R² en un esquema de evaluación estricto donde el período de prueba no se utilice en el ajuste o la selección de características. 4) Prueba de estrés con múltiples tamaños de ventana. Si los resultados varían drásticamente con la longitud de la ventana, esa inestabilidad es una limitación importante. 5) Inspecciona el comportamiento residual conceptualmente.