R语言非线性模型拟合优度：nls()是否有R²类拟合统计量及相关包实现？

好问题！线性回归里的R²确实没法直接照搬到非线性回归场景——毕竟非线性模型没有线性模型里“解释变异占总变异比例”的严格定义，但我们有几个实用的替代统计量可以用来评估拟合程度，也有现成的R包能帮你计算：

• 伪R²（Pseudo-R²）：这是最常用的替代指标，核心思路和R²类似，计算方式为 1 - (残差平方和RSS / 总平方和TSS)。虽然它的解释性不如线性R²严谨，但可以作为不同模型拟合效果的相对参考。你可以手动计算，也可以用rcompanion包的nagelkerke()函数来自动计算（该函数原本针对广义线性模型，但也支持nls对象）；另外fmsb包的NagelkerkeR2()也能实现类似功能。

• McFadden's R²：这个指标原本用于逻辑回归，但也适配非线性模型，它通过比较目标模型的对数似然与零模型（仅含截距的模型）的对数似然来衡量拟合提升，公式为 1 - (logLik(model) / logLik(null_model))。同样可以用rcompanion包计算，不过需要先拟合对应的零模型。

• 信息准则（AIC/BIC）：虽然不属于R²类统计量，但AIC和BIC是比较非线性模型优劣的常用指标——值越小说明模型拟合效果越好且更简洁。nls拟合的模型可以直接用AIC(model)和BIC(model)来计算。

你提到的nlstools包确实侧重模型诊断（比如残差可视化、参数置信区间计算等），没有内置R²类统计量，但可以结合上面提到的包来补充这部分功能。

给你一个快速上手的示例代码：

# 生成示例数据
set.seed(123)
x <- seq(0, 10, length.out = 50)
y <- 2 * exp(-0.3*x) + rnorm(50, 0, 0.2)

# 拟合非线性模型
fit <- nls(y ~ a * exp(-b*x), start = list(a=2, b=0.3))

# 手动计算伪R²
rss <- sum(residuals(fit)^2)
tss <- sum((y - mean(y))^2)
pseudo_r2 <- 1 - rss/tss
cat("手动计算的伪R²:", round(pseudo_r2, 3), "\n")

# 用rcompanion包计算Nagelkerke伪R²
library(rcompanion)
# 拟合零模型（仅包含均值）
null_fit <- nls(y ~ mu, start = list(mu = mean(y)))
nagelkerke(fit, null = null_fit)

内容的提问来源于stack exchange，提问作者striatum