R-kwadraat versus aangepaste R-kwadraat: wat is het verschil?
R-kwadraat versus aangepaste R-kwadraat: een overzicht
Met R-kwadraat en aangepaste R-kwadraat kunnen beleggers de prestaties van een beleggingsfonds meten ten opzichte van die van een benchmark. Beleggers kunnen ze ook gebruiken om het rendement van hun portefeuille ten opzichte van een bepaalde benchmark te berekenen.
In de wereld van beleggen wordt R-kwadraat uitgedrukt als een percentage tussen 0 en 100, waarbij 100 een perfecte correlatie aangeeft en nul helemaal geen correlatie. De figuur geeft niet aan hoe goed een bepaalde groep effecten presteert. Het meet alleen hoe nauw de rendementen aansluiten bij die van de gemeten benchmark. Het is ook achterwaarts gericht – het is geen voorspeller van toekomstige resultaten.
Aangepaste R-kwadraat kan een nauwkeuriger beeld van die correlatie geven door ook rekening te houden met het aantal onafhankelijke variabelen dat wordt toegevoegd aan een bepaald model waartegen de aandelenindex wordt gemeten. Dit wordt gedaan omdat dergelijke toevoegingen van onafhankelijke variabelen gewoonlijk de betrouwbaarheid van dat model verhogen – wat voor beleggers de correlatie met de index betekent.
Belangrijkste leerpunten
- R-kwadraat en de aangepaste R-kwadraat helpen beleggers beide om de correlatie tussen een beleggingsfonds of portefeuille met een aandelenindex te meten.
- Aangepaste R-kwadraat, een aangepaste versie van R-kwadraat, voegt precisie en betrouwbaarheid toe door rekening te houden met de impact van aanvullende onafhankelijke variabelen die de resultaten van R-kwadraatmetingen scheeftrekken.
- De voorspelde R-kwadraat, in tegenstelling tot de aangepaste R-kwadraat, wordt gebruikt om aan te geven hoe goed een regressiemodel reacties op nieuwe waarnemingen voorspelt.
- Een misvatting over regressieanalyse is dat een lage R-kwadraatwaarde altijd een slechte zaak is.
R-kwadraat
R-kwadraat (R 2 ) is een statistische maat dat het aandeel van het verschil tussen een afhankelijke variabele die is verklaard door een onafhankelijke variabele of variabelen in staat regressie model. R-kwadraat legt uit in hoeverre de variantie van één variabele de variantie van de tweede variabele verklaart. Dus als de R 2 van een model 0,50 is, kan ongeveer de helft van de waargenomen variatie worden verklaard door de invoer van het model.
Een R-kwadraat resultaat van 70 tot 100 geeft aan dat een bepaalde portefeuille de betreffende aandelenindex nauw volgt, terwijl een score tussen 0 en 40 duidt op een zeer lage correlatie met de index. Hogere R-kwadraat waarden geven ook de betrouwbaarheid van meet de vluchtigheid van een effect of een portefeuille.
Hoewel R-kwadraat een cijfer kan retourneren dat een niveau van correlatie met een index aangeeft, heeft het bepaalde beperkingen als het gaat om het meten van de impact van onafhankelijke variabelen op de correlatie. Dit is waar gecorrigeerde R-kwadraat nuttig is bij het meten van de correlatie.
R-Squared is slechts een van de vele tools die handelaren in hun arsenaal zouden moeten hebben. De technische analysecursus van Investopedia biedt een uitgebreid overzicht van technische indicatoren en grafiekpatronen met meer dan vijf uur on-demand video. Het behandelt alle meest effectieve tools en hoe u deze in reële markten kunt gebruiken om het voor risico gecorrigeerde rendement te maximaliseren.
Aangepaste R-kwadraat
Aangepaste R-kwadraat is een aangepaste versie van R-kwadraat die is aangepast voor het aantal voorspellers in het model. De aangepaste R-kwadraat neemt toe wanneer de nieuwe term het model meer verbetert dan bij toeval zou worden verwacht. Het neemt af wanneer een voorspeller het model met minder verbetert dan verwacht. Meestal is het aangepaste R-kwadraat positief, niet negatief. Het is altijd lager dan het R-kwadraat.
Het toevoegen van meer onafhankelijke variabelen of voorspellers aan een regressiemodel heeft de neiging om de R-kwadraatwaarde te verhogen, wat de makers van het model verleidt om nog meer variabelen toe te voegen. Dit wordt overfitting genoemd en kan een ongerechtvaardigde hoge R-kwadraatwaarde opleveren. Aangepaste R-kwadraat wordt gebruikt om te bepalen hoe betrouwbaar de correlatie is en hoeveel deze wordt bepaald door de toevoeging van onafhankelijke variabelen.
In een portefeuillemodel met meer onafhankelijke variabelen, zal de aangepaste R-kwadraat helpen bepalen hoeveel van de correlatie met de index het gevolg is van de toevoeging van die variabelen. De aangepaste R-kwadraat compenseert de optelling van variabelen en neemt alleen toe als de nieuwe voorspeller het model verbetert boven wat zou worden verkregen door waarschijnlijkheid. Omgekeerd zal het afnemen wanneer een voorspeller het model minder verbetert dan door het toeval wordt voorspeld.
Belangrijkste verschillen
Het meest voor de hand liggende verschil tussen aangepaste R-kwadraat en R-kwadraat is simpelweg dat aangepaste R-kwadraat verschillende onafhankelijke variabelen beschouwt en test tegen de aandelenindex en R-kwadraat niet. Daarom geven veel beleggingsprofessionals de voorkeur aan het gebruik van gecorrigeerde R-kwadraat, omdat dit mogelijk nauwkeuriger kan zijn. Bovendien kunnen beleggers aanvullende informatie krijgen over wat een aandeel beïnvloedt door verschillende onafhankelijke variabelen te testen met behulp van het aangepaste R-kwadraatmodel.
R-kwadraat daarentegen heeft zijn beperkingen. Een van de meest essentiële beperkingen bij het gebruik van dit model is dat R-kwadraat niet kan worden gebruikt om te bepalen of de coëfficiëntschattingen en voorspellingen al dan niet vertekend zijn. Bovendien kan bij meervoudige lineaire regressie de R-kwadraat ons niet vertellen welke regressievariabele belangrijker is dan de andere.
Aangepaste R-kwadraat vs. voorspelde R-kwadraat
De voorspelde R-kwadraat, in tegenstelling tot de aangepaste R-kwadraat, wordt gebruikt om aan te geven hoe goed een regressiemodel reacties op nieuwe waarnemingen voorspelt. Dus waar de aangepaste R-kwadraat een nauwkeurig model kan opleveren dat past bij de huidige gegevens, bepaalt de voorspelde R-kwadraat hoe waarschijnlijk het is dat dit model nauwkeurig zal zijn voor toekomstige gegevens.
R-kwadraat vs. aangepaste R-kwadraat voorbeelden
Wanneer u een situatie analyseert waarin er een garantie is van weinig tot geen vertekening, is het gebruik van R-kwadraat om de relatie tussen twee variabelen te berekenen perfect bruikbaar. Bij het onderzoeken van de relatie tussen bijvoorbeeld de prestatie van een enkel aandeel en de rest van de S & P500, is het belangrijk om aangepaste R-kwadraat te gebruiken om eventuele inconsistenties in de correlatie te bepalen.
Als een belegger op zoek is naar een indexfonds dat de S & P500 nauwlettend volgt, zal hij verschillende onafhankelijke variabelen willen testen tegen de aandelenindex, zoals de sector, het beheerd vermogen, hoe lang het aandeel al op de markt beschikbaar is, enzovoort. om ervoor te zorgen dat ze het meest nauwkeurige cijfer van de correlatie hebben.
Speciale overwegingen
R-Squared en Goodness-of-Fit
Het basisidee van regressieanalyse is dat als de afwijkingen tussen de waargenomen waarden en de voorspelde waarden van het lineaire model klein zijn, het model goed passende gegevens heeft. Goodness-of-fit is een wiskundig model dat helpt bij het verklaren en verklaren van het verschil tussen deze waargenomen gegevens en de voorspelde gegevens. Met andere woorden, goodness-of-fit is een statistische hypothesetest om te zien hoe goed steekproefgegevens passen bij een verdeling van een populatie met een normale verdeling.
Lage R-kwadraat versus hoge R-kwadraatwaarde
Een misvatting over regressieanalyse is dat een lage R-kwadraatwaarde altijd een slechte zaak is. Dit is niet zo. Sommige datasets of studiegebieden hebben bijvoorbeeld een inherent grotere hoeveelheid onverklaarde variatie. In dit geval zullen de R-kwadraatwaarden natuurlijk lager zijn. Onderzoekers kunnen nuttige conclusies trekken over de gegevens, zelfs met een lage R-kwadraatwaarde.
In een ander geval, zoals bij beleggen, geeft een hoge R-kwadraatwaarde – doorgaans tussen 85% en 100% – aan dat de prestatie van het aandeel of fonds relatief in lijn met de index beweegt. Dit is zeer nuttige informatie voor investeerders, dus een hogere R-kwadraatwaarde is noodzakelijk voor een succesvol project.
Veelgestelde vragen over R-Squared vs. aangepaste R-Squared
Wat is het verschil tussen R-kwadraat en aangepaste R-kwadraat?
Het belangrijkste verschil tussen aangepaste R-kwadraat en R-kwadraat is simpelweg dat aangepaste R-kwadraat verschillende onafhankelijke variabelen beschouwt en test ten opzichte van het model en R-kwadraat niet.
Wat is beter, R-kwadraat of aangepaste R-kwadraat?
Veel beleggers geven de voorkeur aan aangepaste R-kwadraat omdat aangepaste R-kwadraat een nauwkeuriger beeld van de correlatie kan geven door ook rekening te houden met het aantal onafhankelijke variabelen dat wordt toegevoegd aan een bepaald model waartegen de aandelenindex wordt gemeten.
Moet ik aangepaste R-kwadraat of R-kwadraat gebruiken?
Veel beleggers hebben succes geboekt met het gebruik van aangepaste R-kwadraat boven R-kwadraat vanwege het vermogen om een nauwkeuriger beeld te krijgen van de correlatie tussen de ene variabele en de andere. Aangepast R-kwadraat doet dit door rekening te houden met hoeveel onafhankelijke variabelen worden toegevoegd aan een bepaald model waartegen de aandelenindex wordt gemeten.
Wat is een aanvaardbare R-kwadraatwaarde?
Veel mensen geloven dat er een magisch getal is als het gaat om het bepalen van een R-kwadraatwaarde die het teken van een geldige studie markeert, maar dit is niet zo. Omdat sommige datasets inherent zijn opgezet om meer onverwachte variaties te hebben dan andere, is het verkrijgen van een hoge R-kwadraatwaarde niet altijd realistisch. In bepaalde gevallen is een R-kwadraatwaarde tussen 70-90% echter ideaal.
Het komt neer op
Met R-kwadraat en aangepaste R-kwadraat kunnen beleggers de prestaties van een beleggingsfonds meten ten opzichte van die van een benchmark. Veel beleggers hebben succes geboekt met het gebruik van aangepaste R-kwadraat boven R-kwadraat vanwege het vermogen om een nauwkeuriger beeld te krijgen van de correlatie tussen de ene variabele en de andere.