假设你调研了 200 名顾客的整体满意度（Y），发现不同顾客评分差异很大（有人打 2 分有人打 5 分）。你用价格满意度、质量满意度、服务满意度（三个 X）做回归，想搞清楚"满意度的差异是哪些因素造成的"。
R² = 0.47 的意思是：三个自变量合起来能解释满意度分值差异的 47%；另外 53% 的差异由未纳入模型的因素（品牌偏好、个人期望、当天心情……）或测量误差造成。
等价于：1 - 残差平方和（SS_residual）/ 总平方和
取值范围：0 ≤ R² ≤ 1（简单线性回归 R² = Pearson r²）
R² 不同取值的直觉感受：
| 研究领域 | 合理 R² 范围 | 说明 |
|---|---|---|
| 自然科学 / 工程 | 0.80 ~ 1.00 | 物理规律确定，测量精准，高 R² 是预期 |
| 金融 / 时间序列 | 0.60 ~ 0.90 | 有系统性规律，但市场噪声大 |
| 医学 / 公共卫生 | 0.15 ~ 0.50 | 人体受多因素影响，0.30 以上已是良好 |
| 管理学 / 市场营销 | 0.20 ~ 0.50 | 行为受多变量影响，0.25~0.40 属于主流发表水平 |
| 心理学 / 教育学 | 0.10 ~ 0.40 | 人的心理行为复杂，0.15 以上即有意义 |
| 生态学 / 环境科学 | 0.20 ~ 0.60 | 野外数据变异大，0.30+ 属可接受范围 |
自变量越多 R² 只升不降，即使加入完全随机的无关变量也会略微增大。不适合用于比较含有不同数量自变量的模型。
引入对自变量数量的惩罚：加入无意义变量时，调整 R² 会下降。推荐在多元回归中优先报告调整 R²，比较不同模型时尤其如此。
两者差距的诊断意义：
回归分析的整体 F 检验和 R² 回答的是两个不同但相关的问题：
| 指标 | 回答的问题 | 输出形式 | 论文必报 |
|---|---|---|---|
| F 检验（含 p 值） | 整个模型是否显著有意义（是 / 否） | F(df1, df2) = 值，p = 值 | 是 |
| R² | 模型能解释因变量多少比例的变异（量化） | R² = 值（0~1） | 是 |
| 调整 R² | 排除自变量数量干扰后的解释力 | 调整 R² = 值 | 推荐 |
两者的关系：在同等 df 下，R² 越高，F 值越大，p 值越小。但可能出现"F 显著，R² 很低"——大样本下少量解释力也能达到统计显著，这时候 R² 才是真正判断"模型有没有实用价值"的指标。
多元线性回归结果（表3）显示，以价格满意度、质量满意度、服务满意度为自变量，整体满意度为因变量，模型整体显著，F(3, 196) = 57.8，p < 0.001，R² = 0.47，调整 R² = 0.46，表明三个自变量共同解释了整体满意度 46% 的变异（调整后）。
分层回归（Hierarchical Regression）先放一批变量（如人口统计变量），再加入另一批变量（如满意度各维度），R² 的变化量 ΔR² 反映新加变量额外带来的解释力。
"做分层回归：第一层放性别、年龄等控制变量，第二层加入价格/质量/服务满意度，输出每层的 R²、调整 R²、ΔR² 和 F 变化检验结果，生成三线表"
正确：R² 的高低标准因领域而异，且 R² 高不代表模型满足前提假设、没有过拟合、变量因果关系成立。R² 低的模型如果 F 显著、符合领域规范、理论意义清晰，照样可以发表。
正确：R² 衡量的是模型整体解释力，不等于某个自变量的影响强弱。判断单个自变量的影响应看标准化系数 Beta 和对应 t 检验的 p 值，不看 R²。
正确：R² 随自变量数增加只升不降，即使加入随机变量也会微升。应看调整 R²——只有调整 R² 也提升，才说明新加变量真的有价值。
正确：R² 反映的是统计关联，不能证明因果关系。因果推断需要实验设计（随机对照）或其他研究设计（如倍差法、工具变量），单纯回归的 R² 不能说明因果。
正确：R² 是在已有数据上计算的拟合指标，高 R² 可能是过拟合（模型记住了噪声而非规律）。评估对新数据的预测能力应做交叉验证，或用独立测试集评估。
"以整体满意度为因变量，以价格满意度、质量满意度、服务满意度为自变量做多元线性回归，输出 R²、调整 R²、F 值、p 值，以及各自变量的 B、SE、Beta、t、p 值和 VIF，检验残差正态性，生成 APA 格式三线表"
Q：R²（决定系数）是什么意思？
R² 表示自变量整体能解释因变量总变异的比例，范围 0~1。R² = 0.35 意味着模型解释了因变量 35% 的变化原因，剩余 65% 由未纳入的因素决定。
Q：R² 多大才算好？有没有标准？
完全取决于领域：社会科学/心理学 R² 0.10~0.35 就不错；医学/管理学 0.20~0.50 合理；工程/物理 0.80+ 是预期。不能跨领域比较，也不能用固定数字判断好坏。
Q：R² 和调整 R² 有什么区别？用哪个？
R² 随自变量数增加只升不降（即使加无关变量）；调整 R² 引入对自变量数量的惩罚，加无意义变量时会下降。多元回归中推荐同时报告两者，比较模型时优先看调整 R²。
Q：R² 和 F 检验是什么关系？
F 检验回答"模型整体显著吗"（是/否），R² 回答"模型解释力有多强"（0~1 量化）。两者都需报告。大样本下 F 可能显著但 R² 很低，这时候 R² 才是判断模型实用价值的关键。
Q：R² 高就说明模型好吗？
不一定。R² 高只说明在当前数据上的拟合度好，不代表：不过拟合、变量因果关系成立、满足前提假设、在新数据上也准确。评价模型需要结合调整 R²、F 检验、VIF、残差诊断综合判断。
Q：分层回归中 ΔR² 是什么意思？
ΔR² 是分层回归中新加入一批自变量后 R² 的增加量，反映这批新变量在控制了已有变量后额外贡献的解释力。通过 F-change 检验判断 ΔR² 是否统计显著（p < 0.05 说明新增变量确实提升了模型）。
Q：用 chatspss 怎么一句话得到 R² 结果？
输入：以整体满意度为因变量，以价格满意度、质量满意度、服务满意度为自变量做多元线性回归，输出 R²、调整 R²、F 值、p 值、各自变量 Beta 和 VIF，生成 APA 格式三线表。系统自动计算所有指标并输出规范表格。
上传数据，一句话告诉 chatspss 要做什么回归，R²、调整 R²、F 值、系数表、三线表自动输出。
免费使用 chatspss无需安装 · 全程中文 · 自动前提检验 + 三线表直出