二次相关系数及多项式、指数函数相关系数计算方法问询

当然可以！针对你提到的二次回归模型 y = A + Bx + Cx²，我们完全可以计算对应的拟合优度指标——这其实就是你所说的“二次相关系数”的核心，最常用的是决定系数（R²）。

二次回归的R²计算逻辑 #

二次回归本质上可以转化为多元线性回归：把 x² 当成一个独立的新变量（比如设 z = x²），模型就变成了 y = A + Bx + Cz，这就符合多元线性回归的框架了。计算步骤大概是这样：

• 用最小二乘法估计出系数A、B、C；
• 计算残差平方和（RSS）：所有实际y值与模型预测y值的差的平方之和；
• 计算总平方和（TSS）：所有实际y值与y的均值的差的平方之和；
• R²的计算公式为：R² = 1 - (RSS / TSS)

R²的取值范围在0到1之间，越接近1说明二次模型对数据的解释能力越强，拟合效果越好。

其他多项式回归的情况 #

对于三次（y = A + Bx + Cx² + Dx³）、四次甚至更高次的多项式回归，逻辑和二次回归完全一致：把每个高次项作为新的自变量，转化为多元线性回归模型，之后同样可以计算R²，甚至可以用调整R²（考虑自变量个数的修正版R²，避免因变量过多导致R²虚高）来更客观地衡量拟合效果。

指数函数等非线性模型的拟合优度 #

对于指数类模型，比如 y = Ae^(Bx) 或者 y = A + B*ln(x)，分两种情况处理：

• 可线性化的非线性模型：像 y = Ae^(Bx)，我们可以对等式两边取自然对数，得到 ln(y) = ln(A) + Bx，这就转化成了 ln(y) 关于x的线性回归。此时可以计算变换后数据的R²，不过要注意这个R²是针对对数变换后的y值的；如果要衡量原数据的拟合效果，也可以直接计算原数据的实际值与预测值的R²。
• 不可线性化的非线性模型：有些非线性模型没法通过简单变换转成线性，这时候可以用非线性最小二乘法估计参数，之后同样可以计算R²（用原数据的RSS和TSS），或者使用伪R²等专门针对非线性模型的拟合优度指标。

内容的提问来源于stack exchange，提问作者Varlor