El coeficiente de determinación, comúnmente representado como R^2, es una medida fundamental que nos ayuda a evaluar la relación entre las variables en un modelo estadístico. No debemos confundir con la otra medida «r» que se refiere al coeficiente de correlación.
En otras palabras, R2 nos dice qué tan bien el modelo de regresión se ajusta a los datos observados, por ello es una medida muy importante en el análisis de regresión, ya que proporciona información sobre la bondad de ajuste del modelo.
Ahora el valor que asume teóricamente va entre CERO y UNO. Si el valor de R2 es cercano a 1 indica que el modelo explica una gran parte de la variabilidad en los datos, lo que sugiere que las variables independientes están fuertemente relacionadas con la variable dependiente y que el modelo proporciona una buena predicción. Por otro lado, si el valor de R2 es cercano a 0 indica que el modelo no explica la variabilidad en los datos y que las variables independientes no están o se encuentran débilmente relacionadas con la variable dependiente.
Veamos algunos casos:
- R2 = 0: Esto indica que el modelo no explica ninguna variabilidad en los datos y no proporciona ninguna capacidad predictiva.
- 0 < R2 < 1: Cuanto más cercano esté R2 a 1, mejor será el ajuste del modelo. Por ejemplo, un valor de R2 de 0.8 indicaría que el 80% de la variabilidad en la variable dependiente se explica por las variables independientes en el modelo.
- R2 = 1: Esto implica que el modelo explica toda la variabilidad en los datos y proporciona una predicción perfecta. Sin embargo, en la práctica, es extremadamente raro alcanzar un R2 igual a 1, ya que siempre habrá algo de variabilidad en los datos debido al azar o a factores no incluidos en el modelo.
- R2 < 0: Teóricamente, R2 no puede ser negativo. Un valor negativo generalmente indica que el modelo es peor que un modelo que simplemente predice la media de la variable dependiente.
Es importante recordar que R2 solo proporciona información sobre el ajuste del modelo a los datos observados y no indica la causalidad entre las variables. También es posible que un modelo con un alto R2 no sea necesariamente útil para la predicción si no tiene sentido teórico o práctico.
