Bagaimana R Squared seharusnya diinterpretasikan?

Jawaban langsung

R Squared umumnya digunakan sebagai angka ringkasan untuk seberapa baik sebuah regresi spesifik (biasanya linier) cocok dengan serangkaian observasi historis spesifik. Menginterpretasikannya dengan benar berarti memahami apa yang diukurnya—variasi yang dijelaskan dalam kumpulan data tersebut—dan apa yang tidak dapat dijamin, seperti memprediksi hasil masa depan atau menjamin hasil yang menguntungkan.

Karena perhitungannya bergantung pada bentuk model, variabel yang disertakan, dan kumpulan data yang digunakan, dua pengaturan yang berbeda dapat menghasilkan nilai R Squared yang sangat berbeda. Satu angka tidak boleh diperlakukan sebagai pernyataan umum tentang perilaku pasar.

Mekanisme atau definisi

Dalam bentuk standarnya, R Squared (R²) membandingkan variabilitas yang dijelaskan oleh model regresi dengan variabilitas data secara keseluruhan. Secara sederhana:

• Model mencoba menggambarkan hubungan antara input (variabel penjelas) dan output (variabel dependen).
• R² merangkum seberapa banyak variasi output yang diperhitungkan oleh garis (atau bidang) yang dipasang model relatif terhadap garis dasar yang tidak menggunakan input.

Batas interpretasi utama:

• R² adalah tentang kecocokan dengan data observasi yang digunakan dalam regresi.
• Ini bukan secara otomatis ukuran kausalitas.
• Ini bukan probabilitas bahwa model akan berfungsi di lain waktu.

Asumsi untuk interpretasi standar mencakup bahwa regresi disusun secara konsisten dengan tujuan yang dimaksudkan, dan bahwa observasi digunakan dengan benar (data yang sama, spesifikasi model yang sama, aturan transformasi yang sama).

Bukti atau contoh

Pertimbangkan contoh sederhana dan terkontrol dengan asumsi yang jelas: Anda menjalankan regresi linier pada titik-titik historis di mana seri dependen Y dijelaskan oleh seri independen X.

• Jika titik-titik terletak dekat dengan garis lurus, residual regresi (perbedaan sisa antara Y yang diamati dan Y yang diprediksi) menjadi kecil.
• Residual yang lebih kecil biasanya menghasilkan R² yang lebih tinggi, yang berarti model menjelaskan porsi variasi yang lebih besar dalam sampel spesifik tersebut.

Sekarang pertahankan ide model yang sama tetapi ubah kumpulan data: jika Anda memasang ulang pada jendela waktu yang berbeda atau dengan aturan penyaringan yang berbeda, struktur residual dapat berubah. Bahkan jika R² sebelumnya tinggi, R² yang baru mungkin lebih rendah. Ini menunjukkan ketergantungan pada pilihan sampel dan keputusan pemodelan.

Jika Anda menyertakan variabel penjelas tambahan, R² sering kali dapat meningkat hanya karena model menjadi lebih fleksibel. Itu tidak secara otomatis berarti variabel tambahan meningkatkan relevansi prediktif yang sebenarnya; itu mungkin hanya berarti model mencocokkan noise yang ada dalam sampel pelatihan.

Keterbatasan dan risiko

Keterbatasan material dan mode kegagalan meliputi:

1. Risiko overfitting: Sebuah model dapat mencapai R² dalam sampel yang tinggi dengan menangkap pola yang tidak dapat digeneralisasi. Dalam kasus ini, R² yang tinggi mencerminkan kecocokan masa lalu, bukan kegunaan masa depan.
2. Ketergantungan pada spesifikasi model: R² hanya menggambarkan kecocokan bentuk regresi tertentu yang Anda pilih. Jika hubungannya non-linier atau rekayasa fitur tidak konsisten, R² dapat menyesatkan.
3. Ketergantungan pada sampel dan jendela waktu: R² berubah seiring periode waktu, prapemrosesan, dan penyaringan. Hasil mungkin terlihat kuat dalam satu rezim dan lebih lemah di rezim lain.
4. Biaya dan eksekusi tidak diwakili: R² adalah ukuran kecocokan statistik. Ini tidak mencakup biaya transaksi, spread, slippage, likuiditas, atau kendala operasional.
5. Tidak ada jaminan kausalitas: R² yang tinggi dapat terjadi ketika variabel bergerak bersama karena alasan yang tidak terkait dengan mekanisme kausal langsung.

Karena masalah-masalah ini, R² harus diinterpretasikan sebagai statistik kecocokan deskriptif dalam kondisi tertentu, bukan sebagai sinyal mandiri tentang apa yang akan terjadi selanjutnya.

Verifikasi dan pertanyaan berikutnya

Verifikasi independen biasanya berfokus pada mengonfirmasi apa yang sebenarnya dirangkum oleh angka R²:

• Periksa input regresi dan spesifikasi model: variabel mana, transformasi mana, dan jendela waktu mana.
• Lihat residual dan apakah kesalahan menunjukkan struktur (misalnya, pola sistematis daripada sebaran acak).
• Bandingkan kinerja pada data yang tidak digunakan untuk memasang regresi (pemeriksaan dasar di luar sampel).

Pertanyaan berikutnya yang berguna adalah: “Spesifikasi regresi dan kumpulan data mana yang menghasilkan R² ini, dan seberapa stabilkah ketika sampel berubah?” Ini secara langsung menargetkan batas interpretasi statistik tersebut.